定义
单被试激活分析是对任务态的fMRI进行统计分析，主要目的是定位单个被试被感知、运动或者认知过等任务激活的脑区。其主要的思想是，利用统计学工具，来分析比较任务状态下与控制状态（一般为静息态）下的脑区活动差异。由于真实的脑区活动会受到生理活动和物理条件方面的影响，因此观察到的不同条件下的脑区或从差异可能是偶然发生的，因此利用统计分析来明确评估噪声波动的影响，得到真正的差异[1]。
单被试激活分析的一般思路为：在对fMRI数据进行预处理的基础上，对每个体素时间序列进行建模分析，以该体素在不同时间点的值为因变量，不同任务条件为自变量，利用一般线性模型（general linear model）进行建模，得到相应的回归系数，通过假设检验来判断回归系数是否具有统计学意义，来确定任务变量与体素观察值之间是否有线性关系。如果有显著地线性关系，就认为该体素的活动与任务相关，即该体素被任务激活。在得到大脑每个体素激活情况的下，利用多重校验对体素的激活情况进行校验，减少假阳性率。然后根据生理解剖来定位激活体素簇（10个被激活的连续体素）对应的脑区，即得到了该被试在任务状态下对应的脑区激活。利用GLM分析fMRI数据的原理过程如下图1所示。
图 1 一个典型的GLM分析fMRI数据的图示[4]
基于体素的fMRI数据分析中的一个重要问题是选择合适激活阈值。如果仅存在单个体素的数据，使用常规阈值p <0.05（或p <0.01）是合理的。然而，分别对每个体素进行统计分析会产生大量的多重比较（MCP）问题。如果执行单个测试，错误概率p <0.05，意味着如果我们重复相同的测试100次并假设没有激活效果（零假设），将错误地拒绝（接受）5个空假设。假设我们在100,000个体素上都执行统计检验，这将导致大约5000个误报，即大约5000个体素将被标记为“显著”。为了解决这个问题，在fMRI分析中，一般使用FDR（False Discover Rate）和Bonferroni方法，对每个体素的激活进行校正，在一定程度上减少由多重比较导致的假阳性的出现[4-5]。
参考文献
[1] Poldrack R A, Mumford J A, Nichols T E. Handbook of functional MRI data analysis[M]. Cambridge University Press, 2011.
[2] Bland J M, Altman D G. Multiple significance tests: the Bonferroni method[J]. Bmj, 1995, 310(6973): 170.
[3] Benjamini Y, Hochberg Y. Controlling the false discovery rate: a practical and powerful approach to multiple testing[J]. Journal of the Royal statistical society: series B (Methodological), 1995, 57(1): 289-300.
[4] http://www.brainvoyager.com/bvqx/doc/UsersGuide/BrainVoyagerQXUsersGuide.html.
