基于群组的 fMRI 数据建模。
Modeling group fMRI data.
机构信息
Department of Psychology, University of California Los Angeles, Los Angeles, CA 90095, USA.
出版信息
Soc Cogn Affect Neurosci. 2007 Sep;2(3):251-7. doi: 10.1093/scan/nsm019.
Abstract
The analysis of group fMRI data requires a statistical model known as the mixed effects model. This article motivates the need for a mixed effects model and outlines the different stages of the mixed model used to analyze group fMRI data. Different modeling options and their impact on analysis results are also described.
摘要
组 fMRI 数据的分析需要一种称为混合效应模型的统计模型。本文旨在说明使用混合效应模型的必要性，并概述用于分析组 fMRI 数据的混合模型的不同阶段。还描述了不同的建模选项及其对分析结果的影响。
相似文献
1
Modeling group fMRI data.基于群组的 fMRI 数据建模。
Soc Cogn Affect Neurosci. 2007 Sep;2(3):251-7. doi: 10.1093/scan/nsm019.
2
General multilevel linear modeling for group analysis in FMRI.功能磁共振成像中用于组分析的一般多层线性建模。
Neuroimage. 2003 Oct;20(2):1052-63. doi: 10.1016/S1053-8119(03)00435-X.
3
Modeling state-related fMRI activity using change-point theory.使用变点理论对与状态相关的功能磁共振成像活动进行建模。
Neuroimage. 2007 Apr 15;35(3):1125-41. doi: 10.1016/j.neuroimage.2007.01.004. Epub 2007 Jan 23.
4
Mixed-effects and fMRI studies.混合效应与功能磁共振成像研究。
Neuroimage. 2005 Jan 1;24(1):244-52. doi: 10.1016/j.neuroimage.2004.08.055.
5
Integrated MEG and fMRI model: synthesis and analysis.整合式脑磁图和功能磁共振成像模型：综合与分析
Brain Topogr. 2005 Winter;18(2):101-13. doi: 10.1007/s10548-005-0279-5. Epub 2005 Dec 5.
6
Complex-number representation of informed basis functions in general linear modeling of Functional Magnetic Resonance Imaging.在功能磁共振成像的广义线性建模中，告知基函数的复数表示。
J Neurosci Methods. 2012 Mar 30;205(1):28-35. doi: 10.1016/j.jneumeth.2011.12.016. Epub 2011 Dec 29.
7
Independent vector analysis (IVA): multivariate approach for fMRI group study.独立向量分析（IVA）：功能磁共振成像群体研究的多变量方法。
Neuroimage. 2008 Mar 1;40(1):86-109. doi: 10.1016/j.neuroimage.2007.11.019. Epub 2007 Nov 28.
8
A general statistical analysis for fMRI data.功能磁共振成像数据的一般统计分析。
Neuroimage. 2002 Jan;15(1):1-15. doi: 10.1006/nimg.2001.0933.
9
Using nonlinear models in fMRI data analysis: model selection and activation detection.在功能磁共振成像（fMRI）数据分析中使用非线性模型：模型选择与激活检测
Neuroimage. 2006 Oct 1;32(4):1669-89. doi: 10.1016/j.neuroimage.2006.03.006. Epub 2006 Jul 14.
10
Detecting fMRI activation allowing for unknown latency of the hemodynamic response.检测功能磁共振成像激活情况，同时考虑血液动力学反应的未知延迟。
Neuroimage. 2006 Jan 15;29(2):649-54. doi: 10.1016/j.neuroimage.2005.07.032. Epub 2005 Aug 25.
引用本文的文献
1
Decentralized Mixed Effects Modeling in COINSTAC.去中心化混合效应模型在 COINSTAC 中的应用。
Neuroinformatics. 2024 Apr;22(2):163-175. doi: 10.1007/s12021-024-09657-7. Epub 2024 Mar 1.
2
Lights, fiber, action! A primer on in vivo fiber photometry.灯光、光纤、行动！活体光纤光度测定法入门。
Neuron. 2024 Mar 6;112(5):718-739. doi: 10.1016/j.neuron.2023.11.016. Epub 2023 Dec 15.
3
Hippocampal contributions to novel spatial learning are both age-related and age-invariant.海马体对新的空间学习的贡献既有年龄相关性，也有年龄不变性。
Proc Natl Acad Sci U S A. 2023 Dec 12;120(50):e2307884120. doi: 10.1073/pnas.2307884120. Epub 2023 Dec 6.
4
Neural substrates of parallel devaluation-sensitive and devaluation-insensitive Pavlovian learning in humans.人类中平行的易感性和不易感性的条件价值学习的神经基质。
Nat Commun. 2023 Dec 5;14(1):8057. doi: 10.1038/s41467-023-43747-5.
5
Hippocampal contributions to novel spatial learning are both age-related and age-invariant.海马体对新空间学习的贡献既与年龄相关，也具有年龄不变性。
bioRxiv. 2023 Nov 2:2023.06.28.546918. doi: 10.1101/2023.06.28.546918.
6
Prefrontal cortex state representations shape human credit assignment.前额皮质状态表示塑造人类的信用分配。
Elife. 2023 Jul 3;12:e84888. doi: 10.7554/eLife.84888.
7
Representations of Complex Contexts: A Role for Hippocampus.复杂语境的表现：海马的作用。
J Cogn Neurosci. 2022 Dec 1;35(1):90-110. doi: 10.1162/jocn_a_01919.
8
Context free and context-dependent conceptual representation in the brain.大脑中的无上下文和有上下文的概念表示。
Cereb Cortex. 2022 Dec 15;33(1):152-166. doi: 10.1093/cercor/bhac058.
9
Differential Contributions of Ventral Striatum Subregions to the Motivational and Hedonic Components of the Affective Processing of Reward.腹侧纹状体亚区对奖赏的情感加工的动机和享乐成分的差异贡献。
J Neurosci. 2022 Mar 30;42(13):2716-2728. doi: 10.1523/JNEUROSCI.1124-21.2022. Epub 2022 Feb 11.
10
3D-Printed Pacifier-Shaped Mouthpiece for fMRI-Compatible Gustometers.3D 打印奶嘴形状的口感计口件，用于 fMRI 兼容口感计。
eNeuro. 2021 Oct 6;8(5). doi: 10.1523/ENEURO.0208-21.2021. Print 2021 Sep-Oct.
本文引用的文献
1
Validity and power in hemodynamic response modeling: a comparison study and a new approach.血流动力学反应建模中的效度与效能：一项比较研究及新方法
Hum Brain Mapp. 2007 Aug;28(8):764-84. doi: 10.1002/hbm.20310.
2
Modeling and inference of multisubject fMRI data.多主体功能磁共振成像数据的建模与推断
IEEE Eng Med Biol Mag. 2006 Mar-Apr;25(2):42-51. doi: 10.1109/memb.2006.1607668.
3
Functional segregation of cortical language areas by sentence repetition.通过句子重复对皮质语言区域进行功能分离。
Hum Brain Mapp. 2006 May;27(5):360-71. doi: 10.1002/hbm.20250.
4
Multilevel linear modelling for FMRI group analysis using Bayesian inference.使用贝叶斯推理进行功能磁共振成像（fMRI）组分析的多级线性建模。
Neuroimage. 2004 Apr;21(4):1732-47. doi: 10.1016/j.neuroimage.2003.12.023.
5
Controlling the familywise error rate in functional neuroimaging: a comparative review.控制功能神经成像中的家族性错误率：比较性综述。
Stat Methods Med Res. 2003 Oct;12(5):419-46. doi: 10.1191/0962280203sm341ra.
6
General multilevel linear modeling for group analysis in FMRI.功能磁共振成像中用于组分析的一般多层线性建模。
Neuroimage. 2003 Oct;20(2):1052-63. doi: 10.1016/S1053-8119(03)00435-X.
7
Diagnosis and exploration of massively univariate neuroimaging models.大规模单变量神经影像模型的诊断与探索
Neuroimage. 2003 Jul;19(3):1014-32. doi: 10.1016/s1053-8119(03)00149-6.
8
Classical and Bayesian inference in neuroimaging: applications.神经影像学中的经典推理与贝叶斯推理：应用
Neuroimage. 2002 Jun;16(2):484-512. doi: 10.1006/nimg.2002.1091.
9
Classical and Bayesian inference in neuroimaging: theory.神经影像学中的经典推断与贝叶斯推断：理论
Neuroimage. 2002 Jun;16(2):465-83. doi: 10.1006/nimg.2002.1090.
10
Temporal autocorrelation in univariate linear modeling of FMRI data.功能磁共振成像（fMRI）数据单变量线性建模中的时间自相关
Neuroimage. 2001 Dec;14(6):1370-86. doi: 10.1006/nimg.2001.0931.
Zotero 插件