神经影像数据处理/处理/步骤/生理噪声回归

生理噪声

生理噪声会严重混淆 fMRI 测量的信号。虽然由血管/代谢振荡引起的极低频波动 (< 0.01 Hz) 通常通过时间滤波去除，但来自呼吸 (~0.3 Hz) 或心跳 (~1.0 Hz) 的高频混淆更难处理。在标准 fMRI 序列中，这些频率通常被欠采样（根据奈奎斯特定理），因此混叠到较低频率。此外，呼吸和心率在低频下波动，影响脑血流（分别通过 CO2 血管扩张或血压），最终影响 BOLD 响应。 。因此，生理波动可以在静息态 fMRI 的感兴趣频率范围内表达 (< 0.1 Hz)，可能在同时测量的时序之间引入虚假连接。需要注意的问题是，生理波动和感兴趣的神经活动可能在时间上耦合。在这种情况下，去除前者也会去除（至少部分）后者。

生理噪声回归

代表生理噪声的时序可以作为干扰回归量包含在 GLM 中。由干扰回归量解释的信号部分将从残差中移除（这是 rsfMRI 的感兴趣数据）。通过移除残差的结构化、非随机部分，干扰回归量也使其更接近正态分布或“白噪声”。这有助于满足 GLM 的一个基本假设，即相同且正态分布的误差项。不幸的是，GLM 中的回归量越多，其自由度就越少 (= 观测值（体素） - 回归量），导致模型和单参数权重的显著性检验越保守。

获取回归量

有不同的方法可以获得合理的生理噪声回归量。最直接的方法是在扫描过程中获取生理测量，使用胸带测量呼吸，使用脉搏血氧仪测量心率。然后将这些测量值输入分析软件以建模适当的干扰回归量。但是，使 MRI 和生理数据的时序保持一致可能非常棘手。

如果这些测量值不可用，可以以不同的方式对生理噪声的时序进行建模。由于感兴趣的信号波动主要位于灰质，因此一种方法是提取位于白质或脑室中的体素的生理噪声时序。 另一种方法称为CompCor，它侧重于显示最高变异性的体素，随后使用 PCA 将产生的时序减少到主导成分。也可以将 ICA 应用于将噪声成分与感兴趣的成分分离。但是，这始终依赖于能够正确区分它们的假设。因此，应谨慎处理基于自动 ICA 的生理噪声去除方法，例如 CORSICA 或 PESTICA。

静息态 fMRI

如上所述，静息态分析特别容易受到生理伪影的影响，因为它们经常出现在感兴趣的频率范围内 (0.01 - 0.1 Hz)。 因此，生理噪声回归在静息态 fMRI 中比在任务型 fMRI 中更为常见，任务型 fMRI 通常依赖于简单的时间滤波。

实现

AFNI

3dretroicor 使用一种称为 RETROICOR 的基于图像的方法，该方法估计采集图像切片的 心脏和呼吸周期的相位，并对该相位数据建模低阶傅里叶级数以进行回归。默认阶数为 2，但可以通过-order 选项进行调整，可以通过-threshold 调整用于检测输入中 R 波峰值的阈值。输入是 1D -resp / -card 文件。一个还输出计算出的呼吸和心脏波用于控制（-respphase/-cardphase）的命令如下所示

3dretroicor -resp 1resp_file -card card_file -cardphase cardphase.1D -respphase respphase.1D INPUTFILE

可以使用1dplot 检查相位输出

注意，算法使用切片时序信息进行计算。因此，应避免在此步骤之前执行任何破坏切片时序信息的步骤，例如3dvolreg 运动校正。此外，当一些第一卷被丢弃时，相应的生理数据也必须丢弃这些时间段。

在afni_proc.py 中，这不是默认步骤，但可以使用do block -ricor 选项包含在内。默认求解器是 OLS，多项式阶数为 2*运行长度。从生理学中移除 n 个时间点（默认 = 0）的相应选项以及在回归中分别应用 PHYSFILES 是

-ricor_regs_nfirst n 
-ricor_regs PHYSFILE

FSL

PNM 还提供请求阶数的心脏和呼吸 RETROICOR 回归量，此外还允许指定心脏-呼吸交互回归量。此外，可以接收其他生理回归量，例如 RVT（单位时间内的呼吸量）、心率 和 CSF 回归量。在手册中强烈建议提供扫描仪触发器（1/体积）以确保扫描和生理数据之间的时序精度。输入需要作为单个文本文件，其中不同的列代表心脏、呼吸和触发器信息，以及描述这些列的文件。手动检查峰值检测的准确性是可能的且推荐的。

SPM

SPM8 没有内置方法来处理生理噪声。但是，有一些扩展可以用作此目的。访问：https://wikibooks.cn/wiki/SPM/Physio。如果时间分辨率允许，SPM 的DRIFTER 工具箱也可以在没有外部生理数据的情况下应用。