继《1000字解读fMRI》广受欢迎之后，这是下一步：如何分析数据。
fMRI分析有许多可用的软件，例如FSL、SPM、AFNI和BrainVoyager。然而，以下原则适用于大多数软件。第一步是预处理，包括
运动校正——实验过程中，被试经常会轻微移动头部；在重新对齐过程中，所有图像会自动调整以消除运动。
平滑——所有MRI信号都包含一定程度的随机噪声。在平滑过程中，整个大脑的图像会被模糊。这有助于平滑掉随机波动。“半高宽度”（FWHM）表示平滑的程度。5到8毫米是最常见的。
空间归一化——每个人的大脑形状和大小都是独特的。为了比较两个人或更多人之间的激活情况，需要消除这些差异。将每个被试的大脑变形，使其与标准模板（最流行的是蒙特利尔神经学研究所模板）匹配。
其他技术有时也会被使用，具体取决于用户的偏好和软件。
然后，真正的乐趣开始了：统计分析。迄今为止，检测任务相关神经激活最常用的统计方法是基于一般线性模型（GLM）的方法，尽管也有替代方案。
我们首先需要定义一个我们正在寻找的响应模型，该模型预测神经信号应该是什么样子。最简单的模型是，大脑在某些时候会更活跃，比如当屏幕上显示一张图片时。因此，我们的模型将仅仅是屏幕上显示刺激时间的记录。这被称为“方盒”函数（猜猜为什么）。
事实上，我们知道神经反应有一个特定的时间延迟。因此，我们可以通过添加规范的（意为“标准”）血流动力学响应函数（HRF）来改进我们的模型。
现在考虑一个体素。该体素中的MRI信号（亮度）随时间变化。如果该区域没有特别的神经激活，我们预计这种变化纯粹是噪声。
现在假设该体素对从时间点40到80出现的刺激有反应。虽然在此激活期间信号平均值较高，但仍然存在大量噪声，因此数据与模型并不完全吻合。
GLM是一种方法，它为每个体素询问其与特定模型的拟合程度。它估计一个参数“β”，代表模型在该体素上相对于噪声的“拟合优度”。β越高，拟合越好。请注意，模型可以比上述模型更复杂。例如，我们可以有两种类型的图片，“人脸”和“房屋”，在不同时间显示在屏幕上。
在这种情况下，我们为每个体素估计两个“β”分数，“β-人脸”和“β-房屋”。每种刺激类型都称为一个解释变量（EV）。但是，我们如何确定哪些“β”分数足够高可以被视为“激活”呢？仅仅因为偶然，一些包含纯噪声的体素也会有很高的“β”分数（即使是停走的时钟一天也有两次是准确的！）。
答案是计算t分数，对于每个体素，t分数是“β”除以整个大脑中“β”的标准差。t分数越高，模型偶然拟合如此之好的可能性就越小。通常，最终将t分数转换为与之相关的z分数。
因此，我们最终得到一张大脑的z值图。z是一个统计参数，所以fMRI分析是一种统计参数图（即使您不使用“SPM”软件！）。z分数越高，表示激活的可能性越大。
另请注意，我们通常对两个解释变量之间的差异或对比感兴趣。例如，我们可能对比人脸比房屋反应更强烈的区域感兴趣。在这种情况下，我们不是将“β”分数与零进行比较，而是将它们相互比较——但我们仍然得到一个z分数。事实上，即使只有一个解释变量的分析仍然是一种对比：它是解释变量与“隐式基线”（即什么都不发生）的对比。
现在我们仍然需要决定z分数要多高才算“足够高”，换句话说，我们需要设定一个阈值。我们可以使用常规的显著性标准：p值小于0.05。但是，典型fMRI扫描中有10,000个体素，所以这将留下500个假阳性。
我们可以选择一个比这小10,000倍的p值，但这将过于保守。幸运的是，真实的脑激活往往发生在相连的体素簇中，尤其是在对数据进行平滑处理后，偶然形成簇的可能性很小。因此，解决方案是阈值化簇，而不是体素。
典型的阈值将是“z大于2.3，p小于0.05”，这意味着您正在寻找体素簇，其中所有体素的z分数至少为2.3，并且根据此理论，找到如此大小的簇的偶然概率只有5%。这被称为簇校正分析。并非所有人都使用簇校正，但他们应该使用。如果您不使用，就会发生这种情况。
因此，经过这一切，我们希望为每个被试得到一些漂亮的彩色斑块，每个斑块代表一个簇，颜色代表体素的z分数。
这被称为第一级或单被试分析。跨多个被试比较激活情况称为第二级或群体水平分析，它依赖于类似的原则来找到在大多数人中显著激活的簇。
这次讨论侧重于最常见的基于模型的激活检测方法。还有其他“数据驱动”或“无模型”的方法，例如这个。还有分析fMRI数据以寻找连接和模式的方法，而不仅仅是激活。但那是另一个故事了……
