《帕金森病與健康人聽(tīng)覺(jué)網(wǎng)絡(luò)差異的ICA-fMRI研究》8000字

PAGE16帕金森病與健康人聽(tīng)覺(jué)網(wǎng)絡(luò)差異的ICA-fMRI研究目錄13846摘要 1222601引言 2283092方法和對(duì)象 2252072.1ICA方法 268382.1.1方案論證與可行性分析 2106772.1.2國(guó)家標(biāo)準(zhǔn)和行業(yè)標(biāo)準(zhǔn)的引用和分析 2151522.2對(duì)象 3231152.2.1研究對(duì)象 355112.2.2數(shù)據(jù)采集 383432.2.3數(shù)據(jù)預(yù)處理 3301563獨(dú)立成分分析 5196943.1GIFT軟件介紹 5218833.2獨(dú)立成分分析方法 670184統(tǒng)計(jì)與檢驗(yàn) 12201095結(jié)論與經(jīng)濟(jì)效益分析 1525590參考文獻(xiàn) 15摘要：目的：運(yùn)用一種新的獨(dú)立成分分析（ICA）算法對(duì)功能磁共振成像（fMRI）的數(shù)據(jù)進(jìn)行探討。主要過(guò)程：先在matlab2014a平臺(tái)上對(duì)所有數(shù)據(jù)展開(kāi)預(yù)處理，再利用GIFT軟件對(duì)收集到22名帕金森患者和19名健康被試的腦區(qū)聽(tīng)覺(jué)網(wǎng)絡(luò)進(jìn)行獨(dú)立成分分析，最后在rest工具包對(duì)分析結(jié)果進(jìn)行統(tǒng)計(jì)與檢驗(yàn)。結(jié)論：作為一種新的獨(dú)立成分分析的方法，ICA算法在研究帕金森病的神經(jīng)致病機(jī)制方面提供了一定的參考價(jià)值。關(guān)鍵詞：帕金森;獨(dú)立成分分析；核磁共振成像1引言帕金森?。≒arkison’sdisease,PD）是一種常見(jiàn)于老年人的神經(jīng)系統(tǒng)變性疾病。主要臨床表現(xiàn)為震顫、肢體僵直、動(dòng)作異常、嗅覺(jué)障礙等。帕金森病患者中黑質(zhì)紋狀體多巴胺的耗竭影響許多廣泛分布的神經(jīng)回路，因此腦網(wǎng)絡(luò)異常是帕金森病神經(jīng)病理學(xué)的一個(gè)組成部分（陳俊杰,王思涵,2022)。隨著功能磁共振影像（functionalMagneticResonanceImaging，fMRI）技術(shù)的不斷發(fā)展，影像處理技術(shù)也日漸成熟，針對(duì)帕金森患者而言，在這樣的環(huán)境中從fMRI影像中有效分離出有意義的神經(jīng)信號(hào)并構(gòu)建腦功能網(wǎng)絡(luò)對(duì)其更早的病情預(yù)測(cè)具有重要的研究意義(李宇翔,劉婧怡,2023)。獨(dú)立成分分析算法（IndependentComponentAnalysis，ICA）是在fMRI影像處理領(lǐng)域應(yīng)用廣泛的信號(hào)提取算法之一，也是近年來(lái)發(fā)展起來(lái)的一種強(qiáng)有力的數(shù)據(jù)分析工具REF_Ref14805\r\h[2]。因此，本文將探討ICA算法在fMRI數(shù)據(jù)分析上的應(yīng)用，數(shù)據(jù)對(duì)象為帕金森組、健康組的聽(tīng)覺(jué)網(wǎng)絡(luò)，通過(guò)ICA算法分析被試者的聽(tīng)覺(jué)網(wǎng)絡(luò)異同，能夠在fMRI影像中有效識(shí)別帕金森病(張建國(guó),孫曉琳,2021)。2方法和對(duì)象2.1ICA方法2.1.1方案論證與可行性分析我們假設(shè)把兩個(gè)麥克風(fēng)放在一個(gè)舞臺(tái)上的不同位置，兩個(gè)人同時(shí)說(shuō)話，那么兩個(gè)麥克風(fēng)可以同時(shí)記錄下兩個(gè)時(shí)間信號(hào)，如果原來(lái)的兩個(gè)語(yǔ)音信號(hào)能被這兩個(gè)記錄的信號(hào)估計(jì)出來(lái)，那將是一件意義非凡的事情，這也是所謂的“雞尾酒會(huì)”問(wèn)題REF_Ref15138\r\h[3]。ICA最初是用來(lái)解決“雞尾酒會(huì)”問(wèn)題的(林浩然,陳夢(mèng)琪,2021)。作為一種新的統(tǒng)計(jì)方法，它假設(shè)觀察到的數(shù)據(jù)是由某種源信號(hào)線性組合而來(lái)的，這樣我們就可以對(duì)其進(jìn)行拆分，得到統(tǒng)計(jì)獨(dú)立的源信號(hào)(黃昕怡,楊子萱,2022)REF_Ref15256\r\h[4]。在本文的研究語(yǔ)境里這種情況被賦予了重要意義換而言之，ICA算法是從線性混合信號(hào)里恢復(fù)出一些基本的源信號(hào)的方法(鄭偉強(qiáng),吳雅婷,2020)。獨(dú)立成分分析假設(shè)盲源信號(hào)具有統(tǒng)計(jì)獨(dú)立性，并滿足非高斯性，而通常人腦中的各種生理信號(hào)都是呈非高斯分布的，所以ICA能夠有效地運(yùn)用到功能磁共振數(shù)據(jù)處理分析中。故本課題選擇ICA方法作為處理MRI數(shù)據(jù)的方法(李翔宇,鄭琳娜,2019)。2.1.2國(guó)家標(biāo)準(zhǔn)和行業(yè)標(biāo)準(zhǔn)的引用和分析DICOM，全稱是醫(yī)學(xué)數(shù)字成像及通信標(biāo)準(zhǔn)（DigitalImagingandCommunicationsinMedicine）REF_Ref18998\r\h[5]。是ACR（AmericanCollegeofRadiology，美國(guó)放射協(xié)會(huì)）和NEMA（NationalElectricalManufactorersAssociation，國(guó)家電子制造商協(xié)會(huì)）為主制定的可在數(shù)字化醫(yī)學(xué)影像傳送、存儲(chǔ)與顯示方面起作用的標(biāo)準(zhǔn)。DICOM標(biāo)準(zhǔn)以計(jì)算機(jī)網(wǎng)絡(luò)的工業(yè)化標(biāo)準(zhǔn)為基礎(chǔ)，可以更高效地給醫(yī)學(xué)影像設(shè)備之間數(shù)字影像的傳輸交換提供幫助(周子浩,王靜茹,2023)。這在一定程度上映射該標(biāo)準(zhǔn)1985年產(chǎn)生。2003年發(fā)布的DICOM3.02003版本詳細(xì)定義了影像及其相關(guān)信息的組成格式和交換方法，利用這個(gè)標(biāo)準(zhǔn)，人們可以在影像設(shè)備上建立一個(gè)接口來(lái)完成影像數(shù)據(jù)的輸入、輸出工作(王雪晴,劉芝和,2019)REF_Ref17613\r\h[6]。對(duì)此本文也進(jìn)行了結(jié)論的復(fù)核，本階段研究成果在理論上確保了研究結(jié)論與現(xiàn)有學(xué)術(shù)框架的一致性。2.2對(duì)象2.2.1研究對(duì)象此研究采集了26名健康被試者，另外采集34名被診斷為帕金森患者，所有數(shù)據(jù)由華中科技大學(xué)附屬協(xié)和醫(yī)院放射科核磁共振室提供。2.2.2數(shù)據(jù)采集采用德國(guó)西門子3.0TMRI掃描儀采集所有被試者數(shù)據(jù)，采集時(shí)具體參數(shù)設(shè)置如下：重復(fù)時(shí)間為2000ms，回波時(shí)間為30ms，翻轉(zhuǎn)角為77°，相位回波步驟數(shù)為64，層面厚度為3.5mm，掃描選項(xiàng)選擇“FS”，掃描序列為EP，采集類型為2D，采集的機(jī)器型號(hào)為TrioTim。從這些態(tài)度可以明白采集時(shí)盡量減輕受試者的頭動(dòng)(高宇航,唐欣怡,2019)。掃描時(shí)，要求受試者閉眼靜息。該結(jié)果的一致性也證明了本文采用的研究方法和工具是恰當(dāng)且有效的。在研究過(guò)程中，本文遵循學(xué)術(shù)規(guī)范，采用多種驗(yàn)證手段確保結(jié)論的準(zhǔn)確性。本文在研究理念上也有所創(chuàng)新，作者將前人的研究成果納入考慮，強(qiáng)化了研究的深度。采集時(shí)間為2011年5月5日，協(xié)議名為ep2d_bold_rest，采集到的數(shù)據(jù)文件格式為DICOM。將采集的26名健康被試者和34名帕金森患者的數(shù)據(jù)信息分別存放于兩個(gè)文件夾（control和pks）中，以便進(jìn)行數(shù)據(jù)預(yù)處理(龔雪媛,陳志宇,2020)。2.2.3數(shù)據(jù)預(yù)處理這在某種程度上標(biāo)志在matlab2014a平臺(tái)上對(duì)所有數(shù)據(jù)展開(kāi)預(yù)處理，具體步驟包含：1）轉(zhuǎn)換格式：把DICOM文件格式轉(zhuǎn)換成NIFTI格式；2）除去不穩(wěn)定的前幾個(gè)時(shí)間點(diǎn)。此次實(shí)驗(yàn)采集的每位被試者的數(shù)據(jù)時(shí)間點(diǎn)為240個(gè)，去除前10個(gè)不穩(wěn)定的時(shí)間點(diǎn)，對(duì)剩下的230個(gè)時(shí)間點(diǎn)進(jìn)行處理；3）對(duì)剩下的數(shù)據(jù)展開(kāi)時(shí)間校正；4）頭動(dòng)校正；5）進(jìn)行空間標(biāo)準(zhǔn)化；6）進(jìn)行平滑操作；7）去除線性漂移。預(yù)處理后整理圖表如表1、表2(張涵煜,李澤宇,2022)。這不僅加深了本文對(duì)相關(guān)機(jī)制的理解，還為后續(xù)研究提供了強(qiáng)有力的基礎(chǔ)。這一發(fā)現(xiàn)進(jìn)一步確認(rèn)了領(lǐng)域內(nèi)其他類似研究所得出的結(jié)論，推動(dòng)了理論框架的完善與發(fā)展。表SEQ表格\*ARABIC1HC組被試對(duì)照情況編號(hào)頭動(dòng)配準(zhǔn)編號(hào)頭動(dòng)配準(zhǔn)被試001?●被試014?●被試002?●被試015??被試003?●被試016??被試004??被試017??被試005?●被試018??被試006??被試019??被試007??被試020??被試008?●被試021??被試009??被試022??被試010?●被試023??被試011??被試024??被試012??被試025●?被試013??被試026??表SEQ表格\*ARABIC2PD組被試對(duì)照情況編號(hào)頭動(dòng)配準(zhǔn)編號(hào)頭動(dòng)配準(zhǔn)被試001??被試018??被試002??被試019●?被試003●?被試020??被試004??被試021??被試005?●被試022?●被試006??被試023??被試007??被試024??被試008??被試025??被試009??被試026??被試010?●被試027?●被試011??被試028??被試012??被試029●?被試013??被試030??被試014?●被試031?●被試015??被試032?●被試016??被試033●?被試017??被試034●?頭動(dòng)一欄?表示：頭動(dòng)基本符合標(biāo)準(zhǔn)。●表示：該被試者的頭動(dòng)超過(guò)1.5mm和1.5degree，不符合標(biāo)準(zhǔn)。配準(zhǔn)一欄?表示：配準(zhǔn)基本合格；●表示：頂葉缺失很嚴(yán)重(趙睿智,楊可兒,2022)。因此，這無(wú)疑地傳達(dá)出在健康組被試者中去除被試001、被試002、被試003、被試005、被試008、被試010、被試014共7名；在帕金森患者組被試者中去除被試003、被試005、被試010、被試014、被試019、被試022、被試027、被試029、被試031、被試032、被試033、被試034共12名。最終參與全程統(tǒng)計(jì)分析的有19名健康被試，22名帕金森患者(徐浩然,孫倩文,2020)。這一點(diǎn)表明，本研究具有全面性，理論層面廣泛借鑒了國(guó)內(nèi)外相關(guān)領(lǐng)域的最新成果，確保了研究框架的廣泛和堅(jiān)實(shí)基礎(chǔ)。在matlab平臺(tái)中輸入dicominfo命令，從這些方法中看出可以得到帕金森患者的基本信息，如表3所示(王子和,周嘉琪,2020)。表3PD組被試者信息表原始病人編號(hào)預(yù)處理后病人編號(hào)對(duì)應(yīng)名字年齡性別Sub001Sub001'Chen_xue_bing'74FSub002Sub002'Cheng_wanlan'62FSub004Sub003'Gao_xiang_dong'61MSub006Sub004'Guo_chunxiu'64FSub007Sub005'He_nai_zhen'64FSub008Sub006'JIN_SHIYOU'60MSub009Sub007'Li_chuilin'55FSub011Sub008'Liu_renhua_1120'49MSub012Sub009'liu_xiu_nan'73FSub013Sub010'Liu_youjiao'67FSub015Sub011'Lu_renguo'66MSub016Sub012'Luo_shang_you'76FSub017Sub013'Peng_yufang'43FSub018Sub014'Shan_jinmei'48FSub020Sub015'Tan_zhao_ying'54FSub021Sub016'Wang_cong_liang'54MSub023Sub017'Wu_huiwu'73MSub024Sub018'Wu_huiwu'73MSub025Sub019'Xie_guang_quan'56MSub026Sub020'XIN_shi_ming'56FSub028Sub021'XU_yuhua-1120'69FSub030Sub022'Zhou_bingyan'62M3獨(dú)立成分分析3.1GIFT軟件介紹GIFT是由NIH支持的應(yīng)用程序，它是一個(gè)MATLAB工具箱，實(shí)現(xiàn)了用于獨(dú)立成分分析和組（和單個(gè)對(duì)象）功能磁共振成像數(shù)據(jù)的盲源分離的多種算法。GIFT可在MATLABR2008a及更高版本上使用。GIFT中所有工具箱僅需要MATLAB，而不依賴于其他MATLAB工具箱（如圖像處理，信號(hào)處理等）(李雅婷,趙麗萍,2020)?；镜腉IFT分析（無(wú)GUI）在MATLABR13和更高版本上運(yùn)行。GIFTGUI在R2008a及更高版本上有效。對(duì)結(jié)果的深度挖掘不僅能體現(xiàn)該設(shè)計(jì)在解決特定問(wèn)題上的優(yōu)越性能，還能揭示其在更廣泛背景下的潛在價(jià)值和應(yīng)用空間。在本研究中，這在某種程度上體現(xiàn)了采用的是MATLAB2014a版本和GIFTv1.3i（如圖1所示）。圖1GIFT界面圖GIFT界面主要包括分析功能（AnalysisFunctions）和可視化選項(xiàng)（VisualizationOptions）。通過(guò)實(shí)證分析、案例研究以及等多種方法本文不僅驗(yàn)證了理論假設(shè)的有效性，還揭示了實(shí)踐中的關(guān)鍵影響因素及其作用機(jī)制。主要運(yùn)用到了分析功能中的設(shè)置ICA分析（SetupICAAnalysis）、運(yùn)行分析（RunAnalysis）、分析信息（AnalysisInfo）以及可視化選項(xiàng)中的顯示GUI（DisplayGUI）這四個(gè)功能(鄧嘉晨,張梓萱,2022)。3.2獨(dú)立成分分析方法首先，在GIFT頁(yè)面選擇設(shè)置ICA分析，這在某種意義上表明了這一步驟涉及輸入組ICA分析的參數(shù)。以下是這個(gè)過(guò)程所涉及的步驟(黃子豪,李詩(shī)琪,2022)：1）單擊SetupICAAnalysis按鈕，跳出一個(gè)如圖2的目錄選擇窗口，用以選擇分析輸出目錄，所有輸出文件都將存儲(chǔ)在這個(gè)目錄中。以帕金森患者為例，存放輸出文件的路徑為D:\BaiduNetdiskDownload\REST_V1.6_110505\pks\pks_output。圖2目錄選擇窗口目錄選擇成功后，點(diǎn)擊“OK”按鈕，隨之參數(shù)選擇窗口打開(kāi)，如圖3顯示了初始參數(shù)選擇窗口(王宏偉,張怡萱,2023)。在本文的研究過(guò)程中我們始終考慮著這種情況參數(shù)解釋如下：1）“EnterName(prefix)ofoutputfiles”是GIFT創(chuàng)建的所有輸出文件的前綴字符串，在這里我們輸入“PKS”作為輸出文件的前綴字符串。本文首要工作是廣泛搜集并深入審閱國(guó)內(nèi)外相關(guān)領(lǐng)域內(nèi)的經(jīng)典與最新文獻(xiàn)，以此為研究奠定一個(gè)堅(jiān)實(shí)的基礎(chǔ)。2）在“HaveyouselectedthefMRIdatafiles?”選項(xiàng)中點(diǎn)擊Select按鈕，打開(kāi)了一個(gè)新的窗口（圖4），可以選擇數(shù)據(jù)集。選擇“Yes”后，打開(kāi)如圖5的用于選擇被試數(shù)據(jù)的根文件夾的窗口，所選的根文件夾有22個(gè)被試子文件夾，憑這些跡象可以預(yù)判出其中包含全腦功能數(shù)據(jù)，每個(gè)被試文件夾的子文件夾中都有單片數(shù)據(jù)(龔浩杰,劉晨曦,2022)。選擇被試的根目錄后，跳出另一個(gè)圖窗口（圖6），此窗口用以輸入文件格式和一個(gè)附加問(wèn)題，文件格式選擇“*.img”。對(duì)于“Aresessionfoldersinsidesubjectfolders”，在這脈絡(luò)中評(píng)估選擇“No”。點(diǎn)擊“OK”后，數(shù)據(jù)將使用指定的文件格式從每個(gè)主題文件夾中讀取(劉錦程,王婷婷,2022)。3）在“Doyouwanttoestimatethenumberofindependentcomponents?”處選擇“No”，表示不使用MDL標(biāo)準(zhǔn)從fMRI數(shù)據(jù)中估計(jì)獨(dú)立成分?jǐn)?shù)量。借助這一途徑，本文不僅證實(shí)了研究結(jié)果能夠得到現(xiàn)有理論的支撐，還在若干方面提出了新觀點(diǎn)或擴(kuò)充，進(jìn)一步完善了相關(guān)領(lǐng)域的理論架構(gòu)和實(shí)踐應(yīng)用。4）獨(dú)立成分?jǐn)?shù)量（NumberofIC）輸入30，指從數(shù)據(jù)中提取的獨(dú)立組件的數(shù)量為30。5）“Doyouwanttoautofilldatareductionvalues?”選擇No，根據(jù)這類情況演變默認(rèn)情況下，當(dāng)數(shù)據(jù)被選擇，“NumberofIC”設(shè)置為20時(shí)，該選項(xiàng)設(shè)置為“Yes”(范曉霜,徐英杰,2021)?；谶@樣的局面此時(shí)我們將獨(dú)立成分?jǐn)?shù)量設(shè)置為30，則將該將選項(xiàng)保留為“No”。6）“WhichICAAlgorithmDoYouWantToUse?”選擇“Infomax”。7）“WhichGroupICAAnalysisYouWantToUse?”選擇“Regular”。圖3初始參數(shù)選擇窗口圖4選擇數(shù)據(jù)集窗口圖5用于選擇被試的根文件夾窗口圖6選擇數(shù)據(jù)的文件格式所有參數(shù)選擇完成后，單擊Done按鈕，將打開(kāi)完成參數(shù)選擇窗口（圖7）顯示ICA選項(xiàng)。點(diǎn)擊“OK”按鈕，將在工作目錄中創(chuàng)建用于分析的參數(shù)文件，后綴為“ica_parameter_info.mat”。圖7完成參數(shù)選擇窗口其次，設(shè)置ICA分析結(jié)束后，將運(yùn)行分析（RunAnalysis），主要包括兩個(gè)步驟(邱藝文,袁雅彤,2022)：1）點(diǎn)擊運(yùn)行分析按鈕，屏幕將彈出要求選擇參數(shù)文件的窗口，參數(shù)文件為設(shè)置ICA分析所輸出的文件夾名為“ica_parameter_info.mat”的文件。一旦選擇了參數(shù)文件，便彈出如圖8的窗口，在這個(gè)框架條件下顯示運(yùn)行分析的選項(xiàng)。2）選擇“all***”，一次性運(yùn)行所有數(shù)據(jù)(郝建華,王碩輝,2021)。通過(guò)跨學(xué)科的視角和策略，本文能更深刻地洞察研究對(duì)象的本質(zhì)與復(fù)雜性，揭示各領(lǐng)域間的內(nèi)在聯(lián)系與相互作用。圖8運(yùn)行分析參數(shù)文件分析完成后，DisplayGUI（圖9）將自動(dòng)打開(kāi)。該界面有七個(gè)選項(xiàng)和按鈕。其中查看ICA成分的可視化方法有三種，基于這樣的環(huán)境包括組件資源管理器（componentexplorer）、復(fù)合查看器（compositeviewer）和正交查看器（orthogonalviewer）。這三種可視化方法可以單獨(dú)使用，也可以使用DisplayGUI共同使用(余佳怡,趙英杰,2021)。這些實(shí)踐數(shù)據(jù)助力研究洞察并闡釋理論模型在真實(shí)應(yīng)用場(chǎng)景中可能遭遇的難題與偏差。據(jù)此，我們引入了迭代修正與優(yōu)化策略，以打造更具靈活性的研究流程，并據(jù)此修正和完善當(dāng)前成果，提升其預(yù)測(cè)精度與實(shí)用性，從而確保了研究成果的可靠性及廣泛適用性。圖9DisplayGUI界面在此類情況下下面給出了主要用戶界面控件的說(shuō)明，然后是可視化方法的說(shuō)明：1）排序成分（SortComponents）：從這些例子中可以看出成分將在空間或時(shí)間上進(jìn)行排序。2）查看集（ViewingSet）：為維護(hù)研究結(jié)論的可重復(fù)性和推廣價(jià)值，本研究實(shí)施了一系列舉措，以增強(qiáng)研究的嚴(yán)密性和通用性。是一個(gè)成分查看集(何逸飛,孫子凡,2022)。3）成分?jǐn)?shù)量（Componentnumber）：查看成分編號(hào)。4）加載解剖（LoadAnatomical）：加載解剖按鈕用于選擇解剖圖像。默認(rèn)情況下，函數(shù)數(shù)據(jù)的第一張圖像將用作解剖圖像。5）顯示（Display）：顯示按鈕用于顯示不同可視化方法的成分。6）顯示默認(rèn)值菜單（DisplayDefaultsmenu）：當(dāng)點(diǎn)擊“顯示默認(rèn)值”菜單時(shí)，從中可以洞察到隱藏的顯示參數(shù)將以圖形形式顯示出來(lái)。這個(gè)圖形包含圖像值、解剖平面、閾值、切片范圍、每個(gè)圖形的圖像等參數(shù)。7）顯示GUI選項(xiàng)（DisplayGUIOptions）：該菜單可以用來(lái)改變?cè)O(shè)計(jì)矩陣和選擇包含回歸信息的文本文件進(jìn)行時(shí)間排序(劉秀芳,周雅琴,2020)。也會(huì)根據(jù)研究進(jìn)展和實(shí)際情況，對(duì)研究方法和研究設(shè)計(jì)進(jìn)行適時(shí)的調(diào)整和優(yōu)化，以確保研究的科學(xué)性和有效性，會(huì)積極拓展國(guó)際視野，加強(qiáng)與國(guó)際同行的交流與合作。從中可見(jiàn)最后在顯示GUI功能中對(duì)分析結(jié)果進(jìn)行空間排序，給GIFT一個(gè)DMN模板，然后GIFT會(huì)把最類似DMN模板的IC放到第一個(gè)，最不像的排在最后：1）在排序中GUI中選擇排序條件為“多元回歸”(朱文靜,高夢(mèng)媛,2020)。2）在“排序類型”處選擇“空間”。3）點(diǎn)擊“完成”按鈕，以現(xiàn)有結(jié)果為基準(zhǔn)我們可以推斷跳出圖形窗口用以選擇模板。在這里我們選擇“early_auditory.nii”聽(tīng)覺(jué)網(wǎng)絡(luò)作為模板（如圖10所示）。4）“組件設(shè)置”處選擇“排序”。本研究通過(guò)將[學(xué)科A]與[學(xué)科B]的理論和方法相結(jié)合，為解決該領(lǐng)域的復(fù)雜問(wèn)題提供了新的視角和思路。選擇1號(hào)被試者第一次掃描的組成份并等待組件的顯示。所輸出的部分參數(shù)文件如圖13所示。在此實(shí)驗(yàn)中，得到帕金森患者組的第10個(gè)成分與聽(tīng)覺(jué)網(wǎng)絡(luò)模板最類似，回歸系數(shù)為0.036879，這在一部分程度上揭示了此成分與聽(tīng)覺(jué)網(wǎng)絡(luò)模板最接近，如下圖11所示(葉子欣,蔣子淇,2022)。同樣的方法可以找出健康被試中與聽(tīng)覺(jué)網(wǎng)絡(luò)模板最接近的成分，如下圖12所示。本文通過(guò)對(duì)現(xiàn)有方案的深入分析，識(shí)別出復(fù)雜且不必要的步驟并予以剔除，優(yōu)化了流程布局，從而實(shí)現(xiàn)了更加簡(jiǎn)潔高效的計(jì)算模型。圖10聽(tīng)覺(jué)網(wǎng)絡(luò)模板圖圖11帕金森患者聽(tīng)覺(jué)網(wǎng)絡(luò)圖圖12健康者聽(tīng)覺(jué)網(wǎng)絡(luò)圖圖13空間排序部分參數(shù)文件分析信息（AnalysisInfo）包含參數(shù)、數(shù)據(jù)縮減和輸出文件的信息。分析完成后，單擊GIFT主窗口上的analysisInfo按鈕，從這些操作中看出并選擇想要查看的參數(shù)文件。然后將彈出如圖14的參數(shù)信息窗口，可查看ICA分析過(guò)程中的重要參數(shù)設(shè)置。例如“NumberofIC”設(shè)置為30（即30個(gè)成分），“NumberofScans”為230（即掃描數(shù)量為230）等(張昕怡,李景瑞,2022)。在研究方法的選用上展現(xiàn)出獨(dú)特視角。突破單一研究方法的局限創(chuàng)新性地融合多學(xué)科研究方法。圖14ICA參數(shù)信息窗口4統(tǒng)計(jì)與檢驗(yàn)從這些現(xiàn)象中顯示在Matlab2014a平臺(tái)下打開(kāi)北師大研發(fā)的軟件包REST1.6_110505，對(duì)健康對(duì)照組與帕金森組進(jìn)行雙樣本T檢驗(yàn)(李宇杰,周銘遠(yuǎn),2022)。軟件界面如圖15所示，先加載HC組，再添加PD組。這無(wú)疑地傳達(dá)出所得結(jié)果中橙色、紅色等區(qū)域表示在該區(qū)域病人的FC值低于健康組的FC值，藍(lán)色及淺藍(lán)色區(qū)域表示該區(qū)域病人的FC值高于健康組的FC值。輸出文件夾命名為Two_T。圖15Two-SampleT-Test界面隨后利用REST軟件中的Utilities功能打開(kāi)雙樣本T檢驗(yàn)的結(jié)果，執(zhí)行多重比較校正。某程度能看出將置信度P值設(shè)置為0.01(孫家輝,王紫琪,2023)。參數(shù)rmm值為聯(lián)通準(zhǔn)則，其具體含義如下：研究強(qiáng)調(diào)理論與實(shí)踐的緊密聯(lián)系，嘗試將理論智慧融入實(shí)際問(wèn)題解決中，驗(yàn)證其實(shí)用性。在數(shù)據(jù)收集與分析環(huán)節(jié)，研究綜合多種信息來(lái)源，結(jié)合量化與質(zhì)性研究方法，確保研究結(jié)論的科學(xué)性與準(zhǔn)確性，為相關(guān)領(lǐng)域策略規(guī)劃與實(shí)踐操作提供堅(jiān)實(shí)的理論根基與決策依據(jù)。如果體素大小是3*3*3，rmm=4那么就意味著有6體素（表面連接），rmm=5意味著有18體素（邊緣連接，SPM使用這個(gè)標(biāo)準(zhǔn)），rmm=6意味著有26體素（角落連接）。如果想使用SPM的標(biāo)準(zhǔn)（18體素，邊緣連接）(張雨澤,鄭和宇,2023)，可以輸入“SPM_Criterion”。本實(shí)驗(yàn)中體素與體素之間的連接采取表面連接rmm=4的連接方式，參數(shù)ClusterSize設(shè)置為200，這在一定程度上注解了團(tuán)塊體積數(shù)為5400。這種挖掘不僅深入到了概念的本質(zhì)層面，還拓展到了其外圍的應(yīng)用領(lǐng)域。通過(guò)對(duì)文獻(xiàn)的細(xì)致梳理和數(shù)據(jù)的實(shí)證分析，本文更加清晰地界定了這些概念在理論體系中的角色和影響，以及它們之間的復(fù)雜關(guān)系。圖16多重比較校正參數(shù)設(shè)置最后，為方便預(yù)覽腦區(qū)情況，擬采用陣列圖像呈現(xiàn)結(jié)果。在SliceViewer頁(yè)面中點(diǎn)擊Montage按鈕，設(shè)置為兩行五列的格局，相鄰兩個(gè)層面距離3mm，去除十字線，得到如圖17所示的雙樣本T檢測(cè)的激活圖(劉珂瑤,陳曉彤,2022)。圖17雙樣本T檢測(cè)的激活圖同時(shí)，這在某種程度上說(shuō)明了在形象直觀的激活圖之外，擬采用更為客觀定量的表格形式來(lái)呈現(xiàn)結(jié)果。在SliceViewer頁(yè)面上有CI.Report按鈕，這是rest軟件加載了由崔旭研發(fā)的xjview工具包(http://(邱藝文,袁雅彤,2022)./xjview/)，對(duì)于不同類型的聯(lián)通準(zhǔn)則，該工具包均適用(王思遠(yuǎn),何瑞華,2022)。在多重比較校正之后，點(diǎn)擊CI.Report按鈕，matlab會(huì)把所有符合條件的激活團(tuán)塊以文本的方法逐一報(bào)道出來(lái)，以一種定量的方式顯示不同腦區(qū)的激活差異。這種挖掘不僅深入到了概念的本質(zhì)層面，還拓展到了其外圍的應(yīng)用領(lǐng)域。通過(guò)對(duì)文獻(xiàn)的細(xì)致梳理和數(shù)據(jù)的實(shí)證分析，本文更加清晰地界定了這些概念在理論體系中的角色和影響，以及它們之間的復(fù)雜關(guān)系。實(shí)驗(yàn)中把激活強(qiáng)度的絕對(duì)值大于5.0的區(qū)域提取出來(lái)，列于表4中(趙建輝,陳佳璇,2022)。表4PD組與HC組的激活差異腦區(qū)AAL分區(qū)體素?cái)?shù)峰值MIN坐標(biāo)（mm）T值X軸Y軸Z軸左顳下回Temporal_Inf_L77-459-366.7629右顳中回Temporal_Mid_R48960-30-6-9.3277左中央后回Postcentral_L442-66-9158.6406三角部額下回Frontal_Inf_Tri_L127-363995.4773右中央后回Postcentral_R13869-6246.663內(nèi)側(cè)和旁扣帶腦回Cingulum_Mid_R103318427.4085參看表3，我們發(fā)現(xiàn)：在右顳中回，PD組的連接強(qiáng)度明顯高于HC組；在左中央后回、內(nèi)側(cè)和旁扣帶腦回，HC組的連接強(qiáng)度明顯高于PD組，在左顳下回、右中央后回、三角部額下回也有類似的情況(胡晨曦,林宇語(yǔ),2019)。這種深化不僅體現(xiàn)在對(duì)概念內(nèi)涵的深入剖析，還延伸至對(duì)其外延的廣泛探索。通過(guò)對(duì)相關(guān)文獻(xiàn)的全面回顧和實(shí)證數(shù)據(jù)的深入分析，本文進(jìn)一步明確了這些概念在理論體系中的地位和作用，以及它們之間的相互關(guān)系。這在某種程度上證實(shí)了顳中回屬于顳葉大腦區(qū)，顳葉