Loading [MathJax]/jax/output/CommonHTML/config.js
前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >《大话脑成像》系列之九 —— 由 ALFF 说开去

《大话脑成像》系列之九 —— 由 ALFF 说开去

作者头像
用户1279583
发布于 2018-03-20 08:56:41
发布于 2018-03-20 08:56:41
4.4K0
举报
文章被收录于专栏:思影科技思影科技
看到这个标题有些朋友表示很不解,为什么是之九,不是第十二吗?

我告诉您,没有为什么,因为我任性(其实是因为漏掉了一期,显得不工整,现在补上)

此篇文章可以解决很多朋友们的一些概念上的疑惑,建议分享后收藏之。

有一天小芳(还是村里的,另外一个)跑过来问笔者:我有两个中心采集的数据,只不过一个中心采集的是正常人的数据,另外一个中心采集的是病人的数据。我能不能算ALFF,并直接拿两个不同机器的fMRI的ALFF值相减呢?

要回答这个问题,我们可以把上面这个问题拆分成以下几个小问题,如果把小问题(小目标)解决了,大问题也就迎刃而解了:

1、什么是频率域?

2、什么是ALFF?

3、为什么要(为什么不要)算ALFF?

4、ALFF能不能直接相减?

小目标1:什么是频率域?

频率域,简单来说:只是另外一种描述信号的手段,与时域类似,只不过我们更容易理解时域罢了。

更简单来说:就是一个公式

图1:信号,时域,频域公式

以上只是浅浅地对频率域做一个归纳总结,如果遇上困难,可以具体参考往期大话脑影像。(不用犹豫,直接点击)

《大话脑成像》系列之六——脑电信号频域变换

频域方面的计算永远不是脑电的代名词,相反,我们往往可以师夷长技以制夷。更换一种看问题的角度往往能够更好探究人脑的内部机制。例如把脑电的相关知识运用在磁共振脑成像领域中。当然在运用的时候需要严格把关底层的原理,否则就容易做成了四不像。本文最后提供部分频域方面的参考文献。

理解上面这个图,频域方面就可以PASS了。

小目标2:什么是ALFF?

ALFF的全称: Amplitude of Low Frequency Fluctuations(低频振幅)

笔者找到推广ALFF的第一篇文章,截了一个图,并稍微做了些修改,为了方便理解把它分成了好几个大块。(记住这个图,后面的大话脑成像系列笔者还会再拿这张图说其他事 ^_^)

图2:ALFF计算过程

ALFF具体是怎样来的,死磕文章的定义:Amplitude of Low Frequency Fluctuations(低频振幅)

a)首先需要看“ Low Frequency (低频)”。实现磁共振信号低频保留当然使用低通滤波器(注1)。立即送入低通滤波器low-pass filter 实现A->B的步骤。

b)时域上面看腻了以后,想看看频域上有没有什么出彩的地方。所以需要把时域上的信号转换到频域上看看。简单来说就是换一个视角,把时域信号转换到频谱上面看看(注2)。在这里需要注意一点。B图和C图的横坐标和纵坐标分别代表什么? B图和C图的纵坐标都代表着信号的强度。而横坐标不相同,一个代表着时间,另外一个代表着频率。这样就实现了B->C。

c)对C中每一个点的纵坐标数值进行开平方取平方根,得到D。

d)对这根线取平均(各个离散的点计算出均值)得到E。其中 E 就是计算出来的ALFF值(求出振幅)

e)剧本不是这样写的,怎么能把“F”丢掉了呢!其实呢,不要在意这些细节,F 图是在E的基础上除以全脑每一个体素ALFF的均值,进行了除均值的标准化。

一句话,死磕定义,就明白了ALFF是什么了。

注1:a)部分为了方便理解,以低通滤波器来描述,这样描述得不够严谨。ALFF内部计算是使用带通滤波器,因为在ultra-slow频段上的生理意义存在争议。部分文章认为极低频信号属于低频漂移,随磁共振机器温升而变化。而反对者认为极低频信号存在生理意义,它可能反应生物内部自发振荡节律(生物钟)。

注2:b)部分高端玩家会问,按照图1的总结,时域转换为频率域时除了幅频谱以外还应有相位谱才对,而在图2中却没有相位谱。绝大数文章做FFT的时候都只考虑了其中的幅频谱,而丢掉了相位谱。换句话说,计算ALFF将时域转换为频域时,丢失了部分信息。部分文献为了捡回这部分信息,采用了动态ALFF的方法。但是笔者认为这种方法没有直接用相位谱来得好。

小目标3:为什么要(为什么不要)计算ALFF?

a)为什么要:

为什么要用ALFF来刻画大脑呢?还是死磕定义:低频振幅。振幅可以代表着大脑活动强度。而BOLD机制告诉我们,大脑激活和不激活可以通过BOLD信号强度来反映。根据小目标2的计算过程,大脑中的每一个体素都能够计算出一个ALFF值,而每一个ALFF的值代表着大脑中该体素的活动强度。

图3:BOLD机制

比较ALFF的差异无非是比较两个脑区之间信号的活动强度,换做在癫痫发作时,可以是某个特定脑区的异常激活。

b)为什么不要:

既然想看看低频振幅。为什么不直接滤波后取平均,得到一个振幅数值作为笔者定义的ALFF呢?为什么要转换到频域再平均呢?

这个问题我也回答不来,各位读者如果有自己的观点,可在评论区说出自己的观点一起讨论(留言,阿懂啊?机唔机啊?)。

小目标4:ALFF能不能直接相减?

问ALFF能不能直接相减前,想想看,BOLD信号能不能直接相减。理解不了?看看下图就了然了。

图4:不同机器(不同扫描参数)下BOLD信号差异

什么?曲线是一样的?不,你看看纵坐标。不同的扫描参数会影响磁共振的对比度和强度。不同参数的BOLD信号不能比较的,这样比较是没有意义的。

你可能会问:那么我算ALFF岂不是不能比较了?

我的回答:仔细看看小目标2中,为什么作者需要多加一个E -> F 的步骤,作者并不会平白无故再多加一个除均值标准化的!他的用处体现在这里啦。经过这个步骤,组间就可以进行比较了

上面四个小目标,帮助解决小芳的大问题。

笔者帮忙解决了小芳的问题,各位读者能不能帮忙回答下笔者的问题呢?笔者有一个问题:既然想看看低频振幅。为什么不直接滤波后取平均,得到一个振幅数值作为笔者定义的ALFF呢?为什么要转换到频域再平均呢?

===========================

所有的参考文献放在后面(公众号留言原文或培训,可以直接下载,贴心周到的服务):

频率,频域相关参考:

Wang Y F, Liu F, Long Z L,et al. Steady-state BOLD response modulates low frequency neural oscillations[J].Scientific Reports, 2014, 4: 7376.

Wang Y, Zhu L, Zou Q, etal. Frequency dependent hub role of the dorsal and ventral right anteriorinsula[J]. NeuroImage, 2018, 165: 112-117.

ALFF的相关参考:

Yu-Feng Z, Yong H,Chao-Zhe Z, et al. Altered baseline brain activity in children with ADHDrevealed by resting-state functional MRI[J]. Brain and Development, 2007,29(2): 83-91.

Zou Q H, Zhu C Z, Yang Y,et al. An improved approach to detection of amplitude of low-frequencyfluctuation (ALFF) for resting-state fMRI: fractional ALFF[J]. Journal ofneuroscience methods, 2008, 172(1): 137-141.

=========================

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2018-02-28,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 思影科技 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
FMRI数据分析与处理
近年来,血氧水平依赖性磁共振脑功能成像(Blood oxygenation level-dependent functional magnetic resonance imaging, BOLD-fMRI)技术得到极快的发展,除了与扫描硬件、扫描技术的进步有关外,更得力于以图形图像等计算机科学为核心的相关学科的支持:图像数据的后处理技术成为fMRI中的关键环节
锦小年
2019/05/26
1.5K0
☀️手把手教你Python+matplotlib模拟锁相放大器的原理以及工作过程☀️《❤️记得收藏❤️》
我们先讲讲锁相放大器的基本结构示于下方图 ,包括信号通道、参考通道、相敏检测器 PSD 和低通滤波器 LPF 等。 各个模块的基本功能描述如下:
苏州程序大白
2021/09/26
1.5K0
音频知识(二)--MFCCs
音频项目中,比如识别,重建或者生成任务之前通常都需要将音频从时域转换到频域,提取特征后再进行后续工作。MFCC(Mel-Frequency Cepstral Coefficients),梅尔倒谱系数,就是比较常用的音频特征提取方式。本文主要介绍mfcc提取流程。
languageX
2021/05/10
4.4K0
音频知识(二)--MFCCs
脑电采集+TGAM脑电模块
低频信号:脑电信号的频率通常在0.5 Hz到100 Hz之间,其中大多数信号集中在1 Hz到30 Hz之间。而且随着大脑活动的增加,脑电信号的频率也会增加。
云深无际
2023/05/24
1.9K0
脑电采集+TGAM脑电模块
什么是傅里叶变换?傅里叶变换处理图像的原理是什么?
傅里叶变换,最牛的算法之一,广泛应用于物理学、信号处理、概率、统计、密码学、声学、光学等领域。
微帧Visionular
2024/11/08
5310
什么是傅里叶变换?傅里叶变换处理图像的原理是什么?
脑科学磁共振成像(MRI)初学者必看——功能脑网络、小世界网络、FDR校正、脑电信号频率变换、模板、假设检验、广义线性模型、独立成分分析、影像组学、任务态和静息态方法汇总「建议收藏」
首先,甲学员从他人那里获取了每个脑区的信号序列。其次,计算任意两个信号序列间的相关(皮尔逊相关)。这样,把脑区视为节点,相关值视为边,功能网络就构建好啦!
全栈程序员站长
2022/09/15
13.4K0
脑科学磁共振成像(MRI)初学者必看——功能脑网络、小世界网络、FDR校正、脑电信号频率变换、模板、假设检验、广义线性模型、独立成分分析、影像组学、任务态和静息态方法汇总「建议收藏」
关于滤波和NCL的filwgts_lanczos函数
滤波的含义和应用就不再赘述,先理清楚几个概念:频谱就是频率的分布曲线,复杂振荡分解为振幅不同和频率不同的谐振荡,这些谐振荡的幅值按频率排列的图形叫做频谱。设一个能量信号为f(t),则它的频谱密度F(ω)可以由傅里叶变换求得。
郭好奇同学
2021/05/28
4K0
关于滤波和NCL的filwgts_lanczos函数
《大话脑成像》系列之六——脑电信号频域变换
傅里叶大神推荐关注思影科技,并表示以下文章全是关于他! 自从做了那么多核磁基础讲解之后,有些脑电的朋友或者学员感到不忿,感到委屈,感到不公平,说哎呀,主编你好偏心,就只讲核磁,表示要取消关注,并表示要
用户1279583
2018/04/08
1.7K0
《大话脑成像》系列之六——脑电信号频域变换
Schizophrenia Bulletin|首发精神病的自发性脑活动改变:fMRI研究的荟萃分析
背景与假设:多项研究表明,精神病患者的大脑自发活动,包括总低频振幅(total amplitude of low-frequency fluctuation, IFF)、分数低频振幅(fractional amplitude of low-frequency fluctuation, ReHo)和局部一致性(regional homo, ReHo)均发生改变。然而,神经影像学结果显示出高度异质性。因此,我们收集了关于首发精神病(FEP)患者自发性脑活动的现有文献,而长期治疗和慢性疾病的影响很小。
悦影科技
2024/03/13
1610
Frontiers in Neuroscience:fMRI研究指南
fMRI因为能够提供对大脑功能的独特洞察而受到医生和研究人员的广泛欢迎。然而,我们必须考虑多种技术因素,从实验设计到数据采集、数据处理以及方法的内在限制,以优化fMRI分析并对数据作出最准确和最有根据的解释。实际研究过程中,研究者/临床医生必须从许多可用的选项中选择每个阶段最合适的软件工具。在这里我们提供简单的指南,包含主要的分析阶段,每个阶段涉及的技术和工具。这份指南旨在作为神经成像社区的资源,帮助新手克服最关键的困难。本文由葡萄牙学者发表在Frontiers in Neuroscience杂志。
用户1279583
2020/04/01
1.4K0
关于振动的分析[通俗易懂]
1, 按频率范围分 , 可以分为低频振动 :f<10Hz 中频振动 :f=10~1000Hz 高频振动 :f>1000Hz
全栈程序员站长
2022/11/04
2.2K0
关于振动的分析[通俗易懂]
静息态功能磁共振成像:关于静息态功能连接和脑网络分析方法
‍ 自诞生之初,人类就对大脑中发生的事情充满好奇。功能磁共振成像是一种重要的工具,它有助于无创地检查、定位和探索大脑的语言、记忆等功能。近年来,神经科学研究的焦点明显转向了“静息态”下的大脑研究。重点是在没有任何感官或认知刺激的情况下大脑内部的内在活动。对静息态下大脑功能连接的分析揭示了不同的静息态网络,这些网络描述了特定的功能和不同的空间拓扑结构。虽然不同的统计方法被引入到静息态功能磁共振成像连接性的研究中,但得到了一致的结果。在本文中,我们详细介绍了静息态功能磁共振成像的概念,然后讨论了三种最广泛使用的分析方法、描述了几种具有脑区特征的静息态网络及相关认知功能、静息态功能磁共振成像的临床应用。本综述旨在强调静息态功能磁共振成像连接性研究的实用性和重要性,强调其与基于任务的功能磁共振成像的互补性质。本文发表在The Neuroradiology杂志。
用户1279583
2022/02/28
4.5K0
静息态功能磁共振成像:关于静息态功能连接和脑网络分析方法
深度学习在静息态功能磁共振成像中的应用
对从人脑功能磁共振成像(fMRI)数据中获得的丰富的动态的时空变化特性进行建模是一项具有挑战性的任务。对大脑区域和连接水平进行分析为fMRI数据提供了更直接的生物学解释,并且到目前为止一直有助于描述大脑中的特征。在本文中作者假设,与之前研究广泛使用的预先进行的fMRI时变信息转换以及脑区之间的功能连接特征相比,直接在四维(4D)fMRI体素级别空间中进行时空特征的学习可以增强大脑表征的鉴别性。基于这个目的,作者对最近提出的结构MRI(sMRI)深度学习(DL)方法进行扩展,以额外获得时变信息和在预处理好的fMRI数据上对提出的4D深度学习模型进行训练。结果表明使用基于复杂的非线性函数的深度时空方法为学习任务生成具有鉴别性的编码,使用fMRI体素/脑区/功能连接特征对模型进行验证,发现本文方法的分类性能优于传统标准机器学习(SML)和DL方法,除了相对简单的集中趋势测量的fMRI数据的时间平均值。此外,作者探讨了不同方法识别fMRI特征的优劣,其中对于fMRI体素级别特征DL显著优于SML方法。总之作者的研究结果体现了在fMRI体素级别数据上训练的DL模型的效率和潜力,并强调了开发辅助工具的重要性,以促进对这种灵活模型的解释。本文发表在IEEE Engineering in Medicine & Biology Society (EMBC)
用户1279583
2022/06/13
1.5K1
深度学习在静息态功能磁共振成像中的应用
Nature子刊:大脑结构、几何以及遗传预测皮层脑电图探测到的脑区间连接模式
请点击上面“思影科技”四个字,选择关注我们,思影科技专注于脑影像数据处理,涵盖(fMRI,结构像,DTI,ASL,EEG/ERP,FNIRS,眼动)等,希望专业的内容可以给关注者带来帮助,欢迎留言讨论,也欢迎参加思影科技的其他课程。(文末点击浏览)
用户1279583
2019/07/30
1.6K0
Nature子刊:大脑结构、几何以及遗传预测皮层脑电图探测到的脑区间连接模式
静息态fMRI+机器学习:慢性下腰痛会引起哪些脑区的改变?
慢性下腰痛(cLBP)是一种持续至少3个月以上的腰部慢性疼痛综合征。很多局部及系统性疾病均可出现腰痛,但临床上多见的是脊椎退行性病变以及急、慢性损伤所引起的腰痛。据统计,80%的人在其一生中都曾有过腰痛的困扰。近年来,更有患者增多的趋势。这可能与现代社会的生活方式有关,例如运动减少、某种姿势维持时间过长以及缺乏腰部保健知识等。 下腰痛(LBP)是全球致残的主要原因,为社会和个人带来沉重的经济负担。持续的疼痛会使人产生负面情绪、认知与行为障碍等精神身体方面的影响,严重影响患者的生活质量及水平。然而,目前治疗cLBP的方法远不能令人满意,cLBP患者中阿片类药物过量和成瘾的比率显著增加,这突出表明迫切需要更好地了解该疾病的病理生理学,并开发新的治疗方法。 近年来,功能磁共振的出现为cLBP状态下脑部功能/结构的改变提供了准确定位,已成为神经影像学研究的重要工具。而作为低频振荡指标的低频振幅(ALFF)得到了越来越多的关注。尽管仍在研究中,但已有研究表明ALFF与人类的脑血流和任务诱发的激活有关。在常用的静息态功能磁共振(RS-fMRI)指标中,ALFF在测试可靠性和可重复性之间具有最佳的平衡。机器学习在脑科学领域的应用广泛而深入,最简单或者最常用的一个应用方向是分类,如疾病的分类。但是将机器学习技术应用于疼痛的研究很少。近期,来自美国的研究团队在British Journal of Anaesthesia杂志上发表题目为《Identifying brain regions associated with the neuropathology of chronic low back pain: a resting state amplitude of low-frequency fluctuation study》的研究论文,以ALFF作为特征值,应用支持向量机(SVM)分类器,探索最有可能区分cLBP患者和健康人的脑区,并确定对cLBP疼痛强度变化敏感的脑区。
悦影科技
2021/01/20
7970
Human Brain Mapping:广泛性焦虑症患者低频振幅ALFF的动态变化
广泛性焦虑症(Generalized anxiety disorder,GAD)是一种普遍的精神障碍,其特征为对日常生活或可能发生事情的莫名、长期、持续的担忧。患者常常遭受疲倦、烦躁不安、睡眠障碍等一系列身体或心理症状的困扰。与其他焦虑症相比,GAD发病率高,治疗后症状缓解慢,阐明其病理机制将促进治疗方法的发展。
悦影科技
2020/11/11
7250
Human Brain Mapping:广泛性焦虑症患者低频振幅ALFF的动态变化
BP综述:闭环脑刺激
就像美存在于观察者的眼中一样,刺激对大脑的影响不仅仅是由刺激的性质决定的,而是由在那一刻接受刺激的大脑的性质决定的。在过去的几十年里,治疗性脑刺激通常应用开环固定方案,而在很大程度上忽略了这一原则。只有最近的神经技术进步使我们能够使用应用于脑电图时间序列数据的前馈算法,在毫秒范围内以足够的时间精度预测大脑的性质(即下一个实例的脑电生理状态)。只要目标脑区处于预先设定的兴奋性或连接状态,就可以进行专门的刺激。临床前研究表明,在特定的大脑状态(例如高兴奋状态)期间而不是在其他状态期间进行的重复刺激会导致受刺激环路的持久修饰(例如长时程增强)。在本研究中,我们调查了使用脑电图通知的经颅磁刺激,在人类皮层的系统水平上这也是可能的证据。我们批判性地讨论了开发脑状态依赖性刺激,从而比传统固定方案更有效地长期修饰病理性脑网络(例如重度抑郁症)的机会和困难。同样基于实时脑电图的经颅磁刺激技术将允许通过记录刺激的效果来闭合环路。这一信息可能使刺激方案适应,使治疗反应最大化。通过这种方式,大脑状态控制大脑刺激,从而引入了从开环刺激到闭环刺激的范式转变。
悦影科技
2024/06/03
2570
电生理绘图和源成像
在这一章中,我们介绍了EEG和MEG信号产生和传播背后的基础。我们首先介绍生物物理原理,解释神经元细胞内外离子的协调运动如何导致头皮的宏观现象,如EEG记录的电势和MEG感知的磁场。这些物理原理使EEG和MEG信号具有特定的时空特征,可用于研究大脑对内部和外部刺激的反应。我们通过开发一个数学框架来继续我们的探索,在这个数学框架中,如果已知潜在脑源的分布,就可以计算EEG和MEG信号,这个过程称为正向问题。我们将继续讨论相反的方法,即通过头皮测量(如EEG和MEG)来解决潜在的脑源,这一过程被称为源成像。我们将提供各种例子,说明电生理源成像技术如何帮助研究正常和病理状态下的大脑。我们还将简要讨论如何将来自EEG的电生理信号与来自功能磁共振成像(fMRI)的血流动力学信号结合起来,帮助提高对潜在脑源估计的时空分辨率,这对研究大脑的时空过程至关重要。本章的目标是提供适当的物理和生理直觉和生物物理原理,解释EEG/MEG信号的产生,它从脑源传播到EEG/MEG传感器,以及如何使用信号处理和机器学习技术和算法来反转这个过程。本文收录在Neural Engineering中。
用户1279583
2022/02/28
8880
电生理绘图和源成像
基于MATLAB语音信号的处理与滤波
摘要:MATLAB是十分强大的用于数据分析和处理的工程实用软件,利用其来进行语音信号的分析、处理和可视化十分便捷。文中介绍了在MATLAB环境中如何驱动声卡采集语音信号和语音信号采集后的文档处理方法,并介绍了FFT频谱分析原理及其显示、MATLAB中相关函数的功能、滤波器的设计和使用。在此基础上,对实际采集的一段含噪声语音信号进行了相关分析处理,包括对语音信号的录取和导入,信号时域和频域方面的分析,添加噪声前后的差异对比,滤波分析,语音特效处理。结果表明利用MATLAB处理语音信号十分简单、方便且易于实现。
全栈程序员站长
2022/09/01
4.2K0
基于MATLAB语音信号的处理与滤波
大脑内在网络的振荡机制
摘要:无创神经影像学已经揭示了人类大脑在静息状态下基于特定网络的动态特征,但其潜在的神经生理机制仍不清楚。我们对42名受试者采用了颅内脑电图技术,以表征默认模式网络(DMN)、额顶叶网络(FPN)和突显网络(SN)中的局部场电位。我们发现,在DMN中,低频段(θ和α波段)的网络内相位相干性更强;而在FPN中,高频段(γ波段)的网络内相位相干性更强。隐马尔可夫模型表明,DMN表现出对低频相位耦合的偏好。相位-振幅耦合(PAC)分析显示,DMN中的低频相位调制了FPN的高频振幅包络,这表明静息状态下内在脑网络的特征具有频率依赖性。这些发现为支持人类大脑内在组织网络模型提供了颅内电生理证据,并揭示了大脑网络在静息状态下进行通信的方式。
悦影科技
2024/12/19
1670
推荐阅读
相关推荐
FMRI数据分析与处理
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档