引言
进行FMRI的任务态分析时,常常需要分析任务条件对不同脑区功能连接强度变化的影响,而心理生理交互分析(PsychoPhysiological Interactions,PPI)就为我们提供了这样一种分析方法。
一、心理生理交互分析定义
PPI分析是一种分析任务态FMRI数据功能连接的方法。
从实验设计的角度看,一个任务态的FMRI实验至少包含两个自变量:A和B。
1
而针对因素A与B去预测Y的变化,则可以构造一个等式:
2
这就能够发现,其实PPI的本质是多元线性回归在FMRI中的应用,由于FMRI数据以及实验设计的特殊性,PPI分析目的不是发现自变量A与B的主效应,而是发现在自变量A的不同水平下,变量B对于Y的影响是否不同,也就是发现A与B是否存在交互作用。
再具体到FMRI实验中,这两个自变量A与B分别就是心理项(实验任务变量的时间序列)与生理项(感兴趣脑区的时间序列),而交互作用就是二者的乘积。这三者的简单示意图如下:
3
而把这个回归模型构造成矩阵形式则是:
4
其实对于结果的解读关键就是理解交互作用这个词。在广义上理解,两个自变量具有交互作用,这表明其中一个自变量的不同水平会影响另一个自变量与因变量之间的关系。这三个变量之间的关系可以用下图表明:
5
也就是说,最终如果PPI分析表明结果为正的交互作用,则有两种解释:
(A)脑区k与脑区i之间功能耦合的强度会随着实验因素g水平的增加而增加。
(B)在实验因素g的条件下脑区i激活的强度会随着脑区k激活强度的增加而增加。
二、为什么要进行PPI分析?
PPI分析本质上是一种回归分析,而且其应用范围主要是在任务态FMRI,这就表明静息态普通的功能连接分析在任务态条件下具有一些难以解决的问题。
其实问题关键就在于任务态相比于静息态多了一个任务因素,所以除了最初的一个种子点的时间序列自变量A外,又多了一个任务自变量B,双自变量后,自然无法确定是种子点A与脑区i活动的相关性是本身就固有的,还是受到任务变量B影响的,而这就是PPI存在的意义。
三、PPI分析SPM流程
经典的PPI分析流程在一般在spm中进行操作。spm手册中提供了详细的步骤与code。
在此,我将已经跑通的批处理code记录如下:
首先,matlab批量建立需要的文件夹:
%时间:20220919
%程序员:wishing
%优化后的批量制作文件夹
%--------------------------------------------------------------------------
% 设置循环
%————————————————————————————————
for i=1:5
p(i) = string(num2str(i, "%02d"));%生成“01”“02”一直到“37”的字符串
end
%--------------------------------------------------------------------------
% 设置文件夹
%————————————————————————————————
for n=1:length(p)
filename=string(append('D:\desk\speed\data_1\Dp_spm\PPI\lapse\RW\sub_1',p(n)));
mkdir(filename);
end
然后是PPI批处理code,这里包含VOI的提取、PPI交互变量的生成、PPIGLM的设计与model评估、contrast的生成,最终结果是con.nii文件。
%-----------------------------------------------------------------------
% Job saved on 19-Sep-2022 11:16:50 by cfg_util (rev $Rev: 7345 $)
% spm SPM - SPM12 (7771)
% cfg_basicio BasicIO - Unknown
%时间:20220919
%程序员:wishing
%目的:实现任务态脑区激活分析后的PPI全流程循环处理,包含VOI提取,PPI变量制作,PPIGLM模型设计与contrast设计
%-----------------------------------------------------------------------
% Initialise SPM
%--------------------------------------------------------------------------
clear,clc;
spm('Defaults','fMRI');
spm_jobman('initcfg');
% spm_get_defaults('cmdline',true);
%--------------------------------------------------------------------------
% 设置循环
%—————————————————————————————————————
for i=1:2
p(i) = string(num2str(i, "%02d"));%生成“01”“02”一直到“37”的字符串
end
for n=1:length(p)
% 设置文件路径
%--------------------------------------------------------------------------
filename_spm=char(append('D:\desk\speed\data_1\Dp_spm\RW\FunImg\sub_1',p(n),'\SPM.mat'));
filename_ppi=char(append('D:\desk\speed\data_1\Dp_spm\RW\FunImg\sub_1',p(n),'\PPI_s-b_THA.mat'));
filename_out=char(append('D:\desk\speed\data_1\Dp_spm\PPI\lapse\RW\sub_1',p(n)));
filename_in=char(append('D:\desk\speed\data_1\Dp_spm\RW\FunImg\sub_1',p(n),'\'));
filename_rp=char(append('D:\desk\speed\data_1\Dp_spm\RW\FunImg\sub_1',p(n),'\rp_1',p(n),'_speed_00001.txt'));
%--------------------------------------------------------------------------
% VOI提取
%--------------------------------------------------------------------------
matlabbatch{1}.spm.util.voi.spmmat = {filename_spm};
matlabbatch{1}.spm.util.voi.adjust = 1;
matlabbatch{1}.spm.util.voi.session = 1;
matlabbatch{1}.spm.util.voi.name = 'lap_THA';
matlabbatch{1}.spm.util.voi.roi{1}.sphere.centre = [4 -26 6];
matlabbatch{1}.spm.util.voi.roi{1}.sphere.radius = 6;
matlabbatch{1}.spm.util.voi.roi{1}.sphere.move.fixed = 1;
matlabbatch{1}.spm.util.voi.expression = 'i1';
%--------------------------------------------------------------------------
% PPI交互作用变量生成
%--------------------------------------------------------------------------
matlabbatch{2}.spm.stats.ppi.spmmat = {filename_spm};
matlabbatch{2}.spm.stats.ppi.type.ppi.voi(1) = cfg_dep('Volume of Interest: VOI mat File', substruct('.','val', '{}',{1}, '.','val', '{}',{1}, '.','val', '{}',{1}), substruct('.','voimat'));
matlabbatch{2}.spm.stats.ppi.type.ppi.u = [1 1 1
2 1 -1];%这里还不确定,第一列是condition数,第二列是con_name,第三列是权重
matlabbatch{2}.spm.stats.ppi.name = 's-b_THA';
matlabbatch{2}.spm.stats.ppi.disp = 0;
%--------------------------------------------------------------------------
% GLM PPImodel设计
%--------------------------------------------------------------------------
matlabbatch{3}.spm.stats.fmri_spec.dir = {filename_out};
matlabbatch{3}.spm.stats.fmri_spec.timing.units = 'secs';
matlabbatch{3}.spm.stats.fmri_spec.timing.RT = 2;
matlabbatch{3}.spm.stats.fmri_spec.timing.fmri_t = 35;
matlabbatch{3}.spm.stats.fmri_spec.timing.fmri_t0 = 18;
%session
f = spm_select('FPList',filename_in, '^swr.*\.nii$');
matlabbatch{3}.spm.stats.fmri_spec.sess.scans = cellstr(f);
%regressors PPI交互项和头动参数
matlabbatch{3}.spm.stats.fmri_spec.sess.cond = struct('name', {}, 'onset', {}, 'duration', {}, 'tmod', {}, 'pmod', {}, 'orth', {});
matlabbatch{3}.spm.stats.fmri_spec.sess.multi = {''};
matlabbatch{3}.spm.stats.fmri_spec.sess.regress = struct('name', {}, 'val', {});
matlabbatch{3}.spm.stats.fmri_spec.sess.multi_reg = {...
filename_ppi;...
filename_rp};
matlabbatch{3}.spm.stats.fmri_spec.sess.hpf = 192;
matlabbatch{3}.spm.stats.fmri_spec.fact = struct('name', {}, 'levels', {});
matlabbatch{3}.spm.stats.fmri_spec.bases.hrf.derivs = [0 0];
matlabbatch{3}.spm.stats.fmri_spec.volt = 1;
matlabbatch{3}.spm.stats.fmri_spec.global = 'None';
matlabbatch{3}.spm.stats.fmri_spec.mthresh = 0.8;
matlabbatch{3}.spm.stats.fmri_spec.mask = {''};
matlabbatch{3}.spm.stats.fmri_spec.cvi = 'AR(1)';
%--------------------------------------------------------------------------
% GLM PPImodel估计
%--------------------------------------------------------------------------
matlabbatch{4}.spm.stats.fmri_est.spmmat(1) = cfg_dep('fMRI model specification: SPM.mat File', substruct('.','val', '{}',{3}, '.','val', '{}',{1}, '.','val', '{}',{1}), substruct('.','spmmat'));
matlabbatch{4}.spm.stats.fmri_est.write_residuals = 0;
matlabbatch{4}.spm.stats.fmri_est.method.Classical = 1;
%--------------------------------------------------------------------------
% PPI contrast
%--------------------------------------------------------------------------
matlabbatch{5}.spm.stats.con.spmmat(1) = cfg_dep('Model estimation: SPM.mat File', substruct('.','val', '{}',{4}, '.','val', '{}',{1}, '.','val', '{}',{1}), substruct('.','spmmat'));
matlabbatch{5}.spm.stats.con.consess{1}.tcon.name = 'PPI_interaction';
matlabbatch{5}.spm.stats.con.consess{1}.tcon.weights = [1 0 0 0];
matlabbatch{5}.spm.stats.con.consess{1}.tcon.sessrep = 'none';
matlabbatch{5}.spm.stats.con.delete = 0;
%--------------------------------------------------------------------------
% SPM run
%--------------------------------------------------------------------------
spm_jobman('run',matlabbatch);
end
最后批量移动结果文件,以便于后续组水平统计分析。
%时间:20220919
%程序员:wishing
%批量复制结果文件
%--------------------------------------------------------------------------
% 设置循环
clear,clc;
%————————————————————————————————
for i=1:37
p(i) = string(num2str(i, "%02d"));%生成“01”“02”一直到“37”的字符串
end
%----------------------------------------------------------------
% 设置文件夹
%————————————————————————————————
for n=1:length(p)
sourcepath=string(append('D:\desk\speed\data_1\Dp_spm\PPI\lapse\SD\sub_2',p(n),'\con_0001.nii'));
targetpath=string(append('D:\desk\speed\data_1\Dp_spm\PPI\lapse\SD\SDCON\sub_2',p(n),'.nii'));
copyfile(sourcepath,targetpath);
end
四、PPI分析中的几个关键问题
1.ROI如何选择?
分析流程都比较清晰,关键的一个起始点就是种子点或者说感兴趣区域(ROI)的选择非常重要。
目前已经看到的几种选择方法:
(1)spm示例数据中是先提取了单个被试的激活脑图的cluster记作i1,而后设置了V2区的坐标中心并设置了一个半径为6mm的球记作i2,然后二者取交集('i1'&'i2').
(2)在论文中看到直接根据经验选择,选择了后扣带回的坐标并生成球。
(3)另一篇论文中提到求对照组以及患病组激活图像的交集,然后再与BA9区求交集,最后的区域作为种子点。
2.结果如何解释?
目前本文使用的心理项是速度任务减去基线,也就是速度感知任务的条件,若在脑区A与B的影响中存在正的交互作用,则在速度感知条件下,脑区A与B的功能耦合加强,也就说明脑区A与B的功能连接可能与速度感知功能相关。
3.多重共线性问题
自变量生理项ROI的选取一般都是选择在实验条件下激活的脑区,而这就表明生理项与心理项具有相关性,这样两个自变量具有相关,就会出现多重共线性的问题,进而导致回归系数估计不准确,这是否在spm中通过其他方法解决?
参考资料:
1.PPI - FslWiki (ox.ac.uk)
2.[SPM - Documentation (ucl.ac.uk)(https://www.fil.ion.ucl.ac.uk/spm/doc/#manual)
3.Friston KJ, Buechel C, Fink GR, Morris J, Rolls E, Dolan RJ. Psychophysiological and modulatory interactions in neuroimaging. Neuroimage. 1997 Oct;6(3):218-29. doi: 10.1006/nimg.1997.0291. PMID: 9344826.
4.生理心理交互分析(PsychoPhysiological Interactions, PPI) - 知乎 (zhihu.com)
网友评论