3篇NeuroImage文献分析

鉴于之前读的一些文章很容易就忘掉了，故打算花点时间记录下所读的文献。

这几天花了一些时间读了3篇文献：

1. Intersubject consistency of cortical MEG signals during movie viewing

   这篇文章的目的是通过具有更高分辨率的MEG来扩展2004年发表在自然上的文章中的一些发现（使用fMRI来观察被试间相关性）。

   由于血液动力学的一些固有瓶颈（时间分辨率一般低于1Hz）,MEG能够记录更高频率的脑电（几十Hz以上），所以更适合去分类短时间的电影片段。

   实验的设计是：8个人观看15分钟的黑白电影2次，帧速率：23.98 frames/s,然后记录脑磁信号。

   数据预处理：signal-space separation (SSS) method，分频段降采样，使用多重线性回归去眼电、心电，PCA降维等。

   对预处理的数据使用空间滤波器模型（M-CCA）得到多个成分，如下图即是3个频段的数据在经过M-CCA处理后依次选取前8、5、4个成分计算subject-pair（98个）之间的相位一致性。图中虚线是显著的界限，黑色的长方形块是errorbar(mean+-SD),可以发现，不同人之间确实有显著的相关性。

   

   画出对应的spatial map，如下所示，发现大脑很多显著的区域。

   

   同时，使用频谱分析发现存在一些看起来显著的峰，如下图所示，这些峰到底是什么呢？作者进行了相关的分析。

   

   针对12、24、36Hz的波峰（后面的50Hz是工频干扰），画出了被试在相应频率的相关性以及spatial map，发现被试间显著相关，显著的区域集中于视觉皮层。符合这些波峰来源于帧速率的斜波带来的影响的推断。

   

   

   综上，作者发现使用MEG来分析大脑在看电影时神经响应的一致性可行而且具有很好的效果。

2. Combined MEG and EEG show reliable patterns of electromagnetic brain activity during natural viewing

   这边文献同时使用MEG和EEG来记录人在看电影时的大脑响应的相关性，相比于上一篇文献，此文作者提出了一些不一样的idea. 他认为使用MEG/EEG记录在自然条件观看电影的被试大脑活动的相关性不一定是可靠的以及可以复现的，就例如上篇文章，并没有给出足够充分的理由。

   作者发现联合MEG和EEG的效果要比单独使用MEG好，同时使用了一种之前只是应用在fMRI的滤波算法（基于贝叶斯理论）：DRIFTER algorithm，作者通过比较滤波前后的时域和统计量上的特征证明了这一点。另外，作者使用了单模态传感器分析，即对大脑不同区域单独分析，而不是像上一篇文献那样把整个大脑所有区域的数据一起分析。作者使用的方法还有intersubject correlation(ISC) 和 dynamic-ISC(即使用0.2s的滑动窗口)。

   下图是大脑的分区域模型。

   

   通过使用dynamic-ISC方法来分析大脑梭状回对应的通道数据，作者找到三个最大的峰以及相应时间的不同被试的波形和对应时间电影所在的帧进行分析，发现如下图：三个帧都包含脸部。

   

   同理分析大脑另一个区域的数据发现三个最大的峰对应的电影帧都有人手部运动/讲话特征。这些分析类似复现了2004年发表在自然上的研究。故作者提出的方法同样也是可行的。

   

3. Testing the ICA mixing matrix based on inter-subject or inter-session consistency

   这篇文献做了两个事情：①找到ICA后不同人之间相似的成分②如何界定'相似'。

   作者提到先前的方法，例如bootstraping（计算不同成分的统计显著性），然而这种显著性缺少有意义的threshold。Group ICA(找到许多人之间充分相似的成分)，然而这种方法需要手动来进行，依靠先验的知识，即需要计算ICA后手动去寻找相似的成分。作者的这篇文章正好解答了以上的两个问题。下面就涉及到如何计算相似性，以及这种相似性的显著性判定了。算法并不复杂，如下：（有部分参数并没有截图）

   

   

    

   其实，就是一个聚类的思想，把不同人判定相似的成分聚集起来，成为一个cluster,对于实际的数据一般可以得到多个cluster,cluster表现出了不同的被试间的一致性，不同的cluster则表现出了被试不同的成分。后文则是作者尝试使用多种数据场景来验证算法的有效性。描述起来比较复杂，这里就不多讨论了。