论文阅读笔记

1.A comment on the severity of the effects of non-white noise in fMRI time-series

　　这篇论文，没有做方法创新，只是为了呈现结论：1.在GLM模型中，如果我们不做pre-whiting，那就要注意，我们对于假阳性水平，很有可能低估了。举个例子，我们原先的p值是0.001，如果没有做白化处理，那么为了达到理论上的准确性，我们的p值要设到0.000001，就是要做更严格的统计检验；如果做了白化处理，那么我们的p值设到0.003，就可以达到理论值了。如果用了高通滤波，那么p值还要拉高。

2. Intrinsic functional connectivity as a tool for human connectomics: theory, properties, and optimization

　　功能连接，默认网络的频率范围是，0.01hz-0.08hz.所以，需要做低通过滤 <0.01hz,以过滤高频成分。可是，低通过滤对于频率大于采样定律的成分，就无效了。因为这些>0.25hz(TR=2s时)的成分，已经无法准确采样，产生混叠了。

　　这里作为综述谈到了全脑信息regression方法和《reducing correlated noise in fmri data》中提取静息态数据作为参考paradigm的方法其实在本质上类似的。

　　全脑信号的去除，对于降低二氧化碳的影响是有作用的。

　　他妈的，这人告诉我们，生理噪声的去除对于默认网络检测是没有影响的。去你妈的！！！！！

　　哦，还好，我看了一下，虽然对于静息态的检测没有影响，但是对于任务态，还是很较大地提升的。

Separating respiratory-variation-related fluctuations from neuronal-activity-related fluctuations in fMRI

This result parallels findings from Birn and colleagues (2006), who showed that default network maps were qualitatively similar before and after removal of variations in respiration (compare their Fig. 7, C and D).　　

3.Effects of model-based physiological noise correction on default mode network anti-correlations and correlations

　　这也是一篇综述，探讨基于模型的生理噪声去除方法，对于默认网络的负相关和相关的影响。

　　这里，就提供了一个思路，就是将其作为小论文的在应用上的一个点，或者结果评判上的一个point。相较于《Adaptive Filtering for Removing Nonstationary Physiological Noise from Resting State fMRI BOLD Signals》仅仅计算RV系数，就更进了一层。

4.Advances and pitfalls in the analysis and interpretation of resting-state FMRI data

　　生理噪声不仅对于glm有害，而且对于数据驱动的激活检测方法也是有作用的。Birn et al., 2006, 2008; Van Dijk et al., 2010

　　我对于phycaa中，有一个理解误区，就是我认为生理噪声产生与某些区域，不对，生理噪声应该是全局的，只是在那样几个区域里更明显一点。我们要永远记住在脑室、血管中的噪声是region-specific的，它们中的成分也不是绝对的生理噪声成分。

　　从这篇论文中，我们知道ica对于生理噪声的判别是有缺陷的。就算是利用自动识别器，也是有一个错误识别率的问题存在的。

　　这篇论文中，谈到了各种静息态识别方法和生理噪声的博弈。

5.Colored Noise and Computational Inference in Neurophysiological  fMRI Time Series Analysis Resampling Methods in Time and Wavelet Domains 

　　利用小波重采样，也可以进行白化处理。而且，是具有一定效果的。

6.Detecting periodicity in experimental data using linear modeling techniques

　　利用这个方法可以信号中周期性信号，其实和检测结构性信号，是一个思路。

7.Effect of Temporal Autocorrelation Due to Physiological Noise and Stimulus Paradigm on Voxel-Level False-Positive Rates in fMRI

　这篇论文在讨论，由于生理噪声和刺激范式导致信号在时域上产生自相关特性。时域相关性是会随着TR而发生改变的。

8.Effects of model-based physiological noise correction on default mode network anti-correlations and correlations

　　讨论基于模型的生理噪声矫正方法对于默认网络的正相关和负相关的影响。

　　并且，证明了生理噪声的有效性。

　　Results  suggest  that modeling  phy siological  noise w ill  be crucial  for  accurately   quanti fy ing  dynamic  relationships w i thin  and  across  brain  netw orks.

9.Independent component analysis of nondeterministic fMRI signal sources

　　这篇论文使用ica来分析生理噪声，可是，它分析的重点是什么parenchyma组织。然后，他分析了生理噪声的时间和空间结构。

 　　提供了这样一种模式，就是你得到一种成分，就做出它的频谱，这里并且将他的频谱和1/F噪声模型做了匹配。

　　还有，就是再做静息态时，结合ica是一种非常值得考虑的方式。

　　 这里用到了一个很极端的情况，就是对于麻醉病人的实验数据分析，这里的这个场景非常有意思。

 　　定位出了血管相关的噪声map，因为blood vessel的频谱图是有规律的。对！！！！！！频谱图是有规律的，如果判断一个信号是否是有结构的，判断的它的频谱是否在分布上，具有结构性。churchill得到的结论是，对频谱能量做累加，不够精细化。

-----------------------------------------

phycaa将结构性噪声一股脑儿地进行分析，其实还可以做更精细地划分。比如，心动的频率和特征，是怎么样的，我发觉前段时间一直对基于模型的方法有所排斥，这是没有必要的。其实，基于模型的方法分别对于心动和呼吸的考虑和分析是很细致的。它里面提取的参数，我们应该可以做更精细地划分。

再一次，做静息态分析时，虽然我们面对的是噪声数据，可是如果我们对于静息态数据有个大致地掌握，也是可以做精细化地划分的。

-----------------------------------------