SPM - статистическое параметрическое картографирование

1. Вступление Статистическое параметрическое картирование относится к построению и оценке пространственно...
2. Последние новости
3. SPM курс для видео M / EEG
4. SPM курс для видео fMRI / PET / VBM
5. Статистическое параметрическое картирование: анализ функциональных изображений мозга
6. Подход SPM вкратце

Вступление

Статистическое параметрическое картирование относится к построению и оценке пространственно расширенных статистических процессов, используемых для проверки гипотез о данных функциональной визуализации. Эти идеи были реализованы в программном обеспечении, которое называется SPM.

Пакет программного обеспечения SPM был разработан для анализа последовательностей данных визуализации мозга . Последовательности могут быть сериями изображений из разных когорт или временными рядами одного и того же субъекта. Текущая версия предназначена для анализа фМРТ , ПЭТ , SPECT, ЭЭГ а также МЭГ ,

Начиная

Лучшая отправная точка - прочитать вступительную статью о доступных SPM Вот , Затем вы можете скачать последнюю версию программного обеспечения и набор данных Анализировать. Пошаговые инструкции для этого анализа доступны в Руководство по СЗМ ,

Если вы новичок в области визуализации, возможно, подойдет набор данных fMRI эпохи. Наборы данных снабжены инструкциями о том, как использовать SPM для их анализа. Таким образом, эти учебные пособия дают практические инструкции о том, как реализовать различные методологии. Наши методы описаны в книгах, технических отчетах и ​​журнальных статьях, которые можно найти на нашем сайте. Интернет Библиография , Это группирует документацию по году, категории, автору и ключевому слову.

Если вам нужна помощь по определенной теме, вы можете найти соответствующие документы в Библиографии онлайн. Кроме того, вы можете осуществлять поиск на страницах SPM, используя средство поиска, которое отображается внизу каждой страницы. Также просмотрите и найдите SPM WikiBook и, пожалуйста, не стесняйтесь редактировать его, если можете. Если вы все еще не можете найти то, что вам нужно, вы можете отправить электронное письмо в SPM Список рассылки , что дает вам доступ к нашему сообществу экспертов.

Вы также должны знать о многих курсы на СЗМ. Если этого года нет в вашей стране, то в Лондоне всегда есть годовой краткий курс. Наконец, когда вы освоите SPM, вы можете узнать о различных расширения предоставлено экспертами в более широком сообществе.

Удачи !

Последние новости

SPM12 выпущен

: SPM12 - это серьезное обновление программного обеспечения SPM, содержащее существенные теоретические, алгоритмические, структурные и интерфейсные улучшения по сравнению с предыдущими версиями ( больше информации ).

SPM курс для видео M / EEG

: Видео записанные в мае 2012 года SPM курс для M / EEG теперь свободно доступны онлайн.

SPM курс для видео fMRI / PET / VBM

: Видео записанные в мае 2011 года SPM курс для fMRI / PET / VBM теперь свободно доступны онлайн.

Статистическое параметрическое картирование: анализ функциональных изображений мозга

В этой книге содержится справочная информация и методология для анализа всех типов данных изображений мозга, от функциональной магнитно-резонансной томографии до магнитоэнцефалографии ( больше информации ).

Подход SPM вкратце

Подход статистического параметрического отображения основан на вокселях:

• Изображения перестроены пространственно нормированный в стандартное пространство, и сглаженный ,
• Параметрические статистические модели предполагаются для каждого вокселя с использованием общей линейной модели. GLM описать данные с точки зрения экспериментальных и сопутствующих эффектов, а также остаточной изменчивости.
• Для МРТ GLM используется в сочетании с моделью временной свертки.
• Классический статистический вывод используется для проверки гипотез, выраженных в терминах параметров GLM. При этом используется изображение, значения вокселей которого являются статистикой, статистическим изображением или статистической параметрической картой (SPM {t}, SPM {Z}, SPM {F})
• Для таких классических выводов проблема множественных сравнений решается с использованием теории непрерывного случайного поля RFT предполагая, что статистическое изображение является хорошим решеточным представлением лежащего в основе непрерывного стационарного случайного поля. Это приводит к выводу на основе скорректированных p- значений.
• Байесовский умозаключение может использоваться вместо классического умозаключения, приводящего к апостериорным картам вероятности PPM s.
• Для МРТ анализ эффективной связи может быть реализован с использованием динамического причинно-следственного моделирования. DCM ,

Похожие