神经影像数据处理/处理/步骤/时间滤波

概念

时间滤波旨在去除或衰减原始信号中不感兴趣的频率。这可以显著提高信噪比。难点在于决定哪些频率是感兴趣的，哪些是噪声。

感兴趣的频率：在任务相关 fMRI 中，大多数情况下，任务频率附近的频率是感兴趣的（例如，当每 5 秒呈现一个刺激时，预计响应信号也将在 0.2 Hz 附近具有频率）。

噪声频率：通常被认为是噪声的频率是由于扫描仪漂移、线圈干扰或缓慢的血管/代谢振荡而产生的非常低频的趋势（~< 0.01 Hz，线性或非线性），以及呼吸（~0.3 Hz）或心跳（~1.0 Hz）等高频生理波动

傅里叶变换

时间滤波依赖于傅里叶变换：任何一系列数据都可以表示为不同频率/幅度/相位的正弦波的线性组合。因此，强度随时间（或空间）变化的信号可以转换为频谱，反映每个频率对信号的贡献（功率随频率变化）。频谱覆盖的频率范围取决于采样率（TR），可识别出的最高频率为 1/2 TR（奈奎斯特频率）。较高频率的贡献将被混叠，即人工地表达成较低频率。

去趋势

在基于频率的滤波之前，数据通常也使用线性、二次或更高阶多项式算法或有时小波进行去趋势（参见以进行比较）去趋势通常作为时间滤波方法的一部分实现。

不同的滤波器

高通滤波器

高通滤波器切断低于某个阈值的频率，当然这个阈值应该低于感兴趣的最低频率。由于在 fMRI 中，噪声在低频中不成比例地表达，高通滤波还可以帮助使噪声变白（即使噪声频谱变平），这有助于满足 GLM 假设。一个非常宽泛的经验法则是，在任务相关 fMRI 中，使用 2-3 倍任务频率的高通滤波。软件中的默认值在 100-128 秒之间，这适用于 8-45 秒的试验长度。

低通滤波器

低通滤波器衰减高频噪声，有时也称为时间平滑。它们通常被构造为不仅仅是一个截止值，而是以一个规范的 HRF 的形状，以便增强这种形状的信号（匹配滤波器定理）。它们还将高度的自相关引入信号，这曾经被提出作为处理信号中的序列自相关的一种方法（称为预着色）。 但是请参阅争议

带通/带阻滤波器

如果只对有限的频率范围感兴趣，则可以专门在这个频带上对信号进行滤波（带通）。另一方面，如果已知某个频率仅反映噪声，则可以将其专门从信号中去除（带阻）。

静息态

静息态 fMRI 主要对低频波动（< 0.1 Hz）感兴趣。但请参阅。因此，大多数 rsfMRI 研究在 0.01 Hz – 0.1（或 0.08）Hz 之间的频率上使用带通滤波器。但请参阅争议

争议

虽然高通滤波器在大多数研究中都有使用，但低通滤波器存在争议。已表明它会降低检测灵敏度，而不会真正提高特异性 对信号施加高度的自相关违反了用于统计检验的时间独立性假设。在 rsfMRI 中，有人认为带通滤波会引入虚假相关性，这应该通过校正时间滤波来解决。

生理噪声应该通过生理噪声回归来解决，尤其是在它经常被欠采样并混叠到较低频率的情况下。然而，大多数静息态研究额外依赖于低通滤波（更准确地说，是带通滤波），以便在去除高频噪声方面更加安全。

自相关通常通过任务相关 fMRI 中的预白化来处理。这在静息态 fMRI 中也被建议使用，其中低通滤波实际上可能会加剧自相关的問題。然而，对于 BOLD 时间序列等振荡信号，一定程度的自相关实际上是非常自然的。消除自相关会消除时间序列中的重要信息。预白化的時間序列只有在两个信号与滞后为零相关时才会显示相关性。但是，鉴于我们正在查看 BOLD 响应，即使神经信号完美相关，不同脑区的 BOLD 响应也可能存在差异，这似乎不太现实。

实现

AFNI

3dBandpass 用于 AFNI 中的基于 FFT 的时间滤波。

3dBandpass [options] fbot ftop dataset

其中 fbot 是带通滤波器中的最低频率，ftop 是最高频率，单位为赫兹。要仅进行低通或高通滤波，可以分别使用 fbot=0 或 ftop=99999（或 ftop>奈奎斯特频率）。但是，平均值和奈奎斯特频率始终被移除。默认情况下，该程序会检查初始瞬变以及常数线性趋势和二次趋势*，但是可以将其关闭（-notrans，-nodetrend）。其他选项包括去尖峰（-despike）、包含其他时间序列以进行带通滤波，以及将原始时间序列正交化（-ort，-dsort）、在掩模内进行模糊处理（-blur，-mask / -automask）、计算局部主向量。

注意：去趋势也是 3DToutcount 的一部分（参见 数据质量），并且可以使用 3dDetrend 显式调用。

3dFourier 是 FFT 滤波的另一种不太复杂的替代方案，其中低通和/或高通频率作为选项 -lowpass f / -highpass f 包含在内。3dFourier 的选项更少。但是，它可以用于创建陷波滤波器，而 3dBandpass 似乎无法实现这一点。

3dFourier [options] dataset

在 afni_proc.py 中，使用回归块进行时间滤波。

-regress_bandpass fbot ftop

FSL

高通时间滤波使用直线的局部拟合（在直线内加权高斯，以给出平滑响应）来去除低频伪影。
这优于基于 FIR 的急剧滚降滤波，因为它不会将自相关引入数据。

使用 GUI 选择 FEAT FMRI 分析 --> 预统计 --> 时间滤波 --> 高通 --> 选中或取消选中。

高通滤波器

低通时间滤波通过高斯平滑（sigma=2.8 秒）减少高频噪声，但也降低了感兴趣信号的强度，特别是对于单事件实验。
它通常不被认为是有用的，因此默认情况下处于关闭状态。默认情况下，应用于数据的时域滤波也将应用于模型。

可以使用 `fslmaths` 以及选项 `-bptf <hp_sigma> <lp_sigma>` 来完成滤波。任一 sigma 可以设置为负值以禁用该滤波器。示例

   fslmaths data.nii.gz -bptf -1 2.5 filtered_data.nii.gz

SPM

请在此处添加信息。

谢谢

参考资料

http://mindhive.mit.edu/node/116