基于NPAIRS框架的生理噪声抑制方法评测实验

第五章 基于NPAIRS框架的生理噪声抑制方法评测实验

5.1 引言

　　在神经影像领域，研究人员通常使用仿真实验来验证他们的模型和方法[68]。但是在这些仿真研究中，噪声模型通常差异很大。有的实验只是在数据中生成一个简单的高斯分布噪声。而有的实验会从实际数据中估计噪声的分布，然后生成相应分布的噪声。比如在fMRI数据中噪声信号一般服从莱斯分布[69][70]，所以针对莱斯分布噪声模型也相应地出现了一些噪声抑制方法。但是缺乏生成生理噪声的仿真数据，其仿真结果的敏感性和特异性都会大幅下降。

　　虽然静息态数据中也存在生理噪声，但利用静息态数据进行仿真，其结果也可能会出现偏倚。因为在具体实验中每个被试的呼吸和心跳频率不同，每个被试的大脑解剖结构不同，实验时的输入刺激也不一定相同，导致生理噪声具有很强的被试依赖和任务依赖等特性。

　　为此，本文采用一种数据驱动二分重采样框架NPAIRS进行生理噪声的测评，NPAIRS框架的原理会在下一节进行详述。并且，为了对比不同生理噪声的噪声抑制效果，本文选择了一组多被试的物体识别数据集作为实验数据。该数据集是用于研究大脑在识别人脸和不同物体时所产生不同反应的特异性，具有相当大的分类复杂性。

5.2 NPAIRS框架

　　NPAIRS由Strother等人在2002年提出[71][72]。在这个分割重采样框架中，观测数据会被均匀地分为两个部分。第一部分数据作为训练集，用作分类器的训练；第二部分数据作为测试集，用作分类器识别率准确性的评估。计算得到的多个准确性指标然后经过平均，作为NPAIRS框架的p(prediction)指标，即预测准确性指标，如图5-1所示。



　　图5-1 为了利用预测性指标衡量方法或模型的性能，需要重复地利用交叉验证重采样机制将数据集(紫色)分割为训练集(蓝色)和测试集(绿色)。然后利用训练集估计出模型的参数，并在各个独立的测试数据集中利用这些参数预测实验“设计矩阵”，比如扫描状态标签、协变量等等。然后使用一个或多个预测代价函数将这些预测的设计矩阵值与测试数据集中已知的设计矩阵值进行对比[71]。

除此之外，利用某一种模型或方法在两个均匀分割后的独立数据集上进行分析运算，会得到两个对等的统计参数图(SPMs)，对比其二者的相似程度，可以反映该模型或方法的稳定性。具体计算上，利用模型的权重向量（如典型变量）之间的相关系数作为NPAIRS框架的可再现性r(reproductivity)指标，即为空间模式可再现性，如图5-2所示。



　　图5-2 为了利用可再现性指标衡量方法或模型的性能，需要在不同的分割数据上重复地利用交叉验证重采样机制。在上图中为了阐述这一过程，使用一组8个被试(S1,...,S8)的数据集,这8个被试可以根据不同的排列二分为35种4个被试和4个被试的不同组合。针对这35对独立的数据集，任何方法或模型可以计算得到两个独立的统计参数图(SPMs)。通过计算不同SPMs中体素值的相关系数来总结两个SPMs的可再现性指标，得到一个模式相似性度量值(SM)。最后，由35个可再现指标r值可得到一个“可再现性指标直方图”[71]。

在NPAIRS框架中，p或r的值越接近于1，说明正在评测的模型或方法效果越好。本文参考了文献[41]中的方法对NPAIRS框架进行参数设置，采用线性判别分析方法(Linear Discriminant Analysis，LDA)做为后期的分类器。对于每一个被试，其数据集都被均匀地分割为训练集和测试集两个部分，每个部分含有六次数据采集。首先基于训练集来选取参数，然后为进行优化，训练集将继续被一分为二。

虽然预测准确性p这一指标可以很大程度上反映分类问题的识别效果，但在神经影像领域还要求在跨被试或者跨扫描等场景下，能够保证预测出的空间模式可再现,以反映方法或模型的一般性或者普遍性，可再现性指标r其实可作为仿真ROC( Receiver Operating Characteristic)的一种替代[72]。由于在真实数据中的SNR是未知的，从而ROC曲线也无法准确获得。

在NPAIRS框架中构造空间模式可再现性指标时，是通过构造可再现的统计参数映射图来进行r指标的计算。在本实验中该环节按照如下进行[41]：1)每一个权重向量标准化到单位标准差。2)选取了两个权重向量，由这两个权重向量作为横纵坐标可以绘制一个散点图。3)将这个散点图投影到一个信号轴、一个正交的噪声轴的坐标系中。4）对投影到信号轴的部分进行缩放。这个统计参数图可以表示为一个Z值图，此处便让统计参数图反映独立数据集之间的空间相似度。当在不同的数据样本上训练LDA模型时，取得的典型变量差异会很大。为了对齐典型变量，使用Strother等人[71]在2002年提出的参考过滤信号集方法。在这个参考过滤过程中，一开始需要将模型拟合到整个训练集中，并且从模型中抽取一系列典型变量。这一系列典型变量作为参考集合，当执行重采样分割时，要对典型变量进行缩放，以达到和参考典型变量最大的相关系数。

5.3 物体识别数据集

实验数据采用了文献[73]中Haxby等人在研究大脑在识别人脸和不同物体时产生不同反应的数据集。该实验利用GE 3T扫描仪进行数据采集，数据的分辨率为，采集参数为:TR为2500ms,在矢状面方向共采集40张3.5mm厚度的切片，视场大小为24cm,回波时间为30ms，转动角。并且，文献[73]针对每个被试不同的生理解剖结构，制作了相应的腹侧颞叶模板，用以提取出感兴趣的腹侧颞叶区域体素。实验时共使用6名被试进行数据采集(由于有1名被试的数据不带有结构像，最终本文采用了5名被试的数据进行实验)，每名被试都要单独进行12次的扫描，每次扫描的开始和结束都是12s的静息数据采集，中间是8个持续时间为24s的任务刺激，任务刺激之间也以12s的静息数据作为间隔。在每个任务刺激期间，被试要观看八个不同类别的灰度图像，分别为杯子、猫、椅子、脸、房子、剪刀、鞋及无意义图像中的任意一个类别。

5.4 实验数据的预处理

采集数据的预处理操作主要基于SPM8工具箱，包含如下步骤：(1)首先，对被试的功能像数据进行刚体头动矫正，在此过程中会得到一个头动矫正后的功能平均像；(2)对被试的结构像和功能平均像进行协配准；(3)对协配准后的结构像进行组织分割提取脑脊液模板；(4)除此之外，还要对每个被试大脑体素的时间过程做线性去漂移和标准化处理。最后在分析时，利用被试具体的腹侧颞叶模板把腹侧颞叶部分的体素提取出来。不同被试腹侧颞叶的体素在300至600之间。

5.5 实验结果

5.5.1 评测实验一

图5-3 基于NPAIRS框架的KPCA生理噪声抑制方法的评测效果图示

从图5-3的结果可以看出，经过文献[41]的方法处理之后，所有被试的预测准确性只能略微提高，甚至个别被试有所下降；而本文提出的方法，能较显著提高所有被试的分类预测准确性。说明fMRI数据经过生理噪声抑制之后，确实能够提高分类器的识别能力，也说明本文方法噪声抑制效果的有效性。

此外，文献[41]中的方法及本文中的方法，皆能显著性提高所有被试空间模式可再现指标。说明fMRI数据在丢弃非显著性KPCA成分进行重构后，能够提高空间模式的稳定性。并且在经过本文的方法处理过生理噪声后，还可使得5名被试中4名被试的空间模式可再现值有所提升。说明fMRI数据经过生理噪声抑制之后，能进一步提高空间模式的可再现能力。





从图5-4中可以看出在分类预测性指标上，两种方法均能对结果有所提升。并且相较于基于体素的方法，基于成分分解的方法效果更好，能在5名被试的基础上继续提高4名被试的预测准确性。这说明经过非线性分解，噪声和信号能够得到某种程度的分离，噪声抑制效果得以提升。

在空间指标上，相较于基于体素的方法，本文提出的方法虽然能够提高多数被试的空间模式可再现效果。但是也发现，有两名被试的可再现指标略微有所下降。这可能是因为重构时丢掉部分非显著KPCA成分后，对空间信息产生影响，并且目前的KPCA重构算法都是基于估计的思想，这都有可能影响方法或模型的空间稳定性。

5.5.3 评测实验三

在上一步中已通过实验说明fMRI数据经过成分分解后，能够使得噪声和信号得以分离，进而提高生理噪声抑制效果。为进一步说明非线性成分分解与线性成分分解之间的差异，这里还对本文提出的CCA线性生理噪声抑制和KPCA非线性生理噪声抑制方法进行了对比实验。二者之间的差异，在NPAIRS框架中的两个指标上的体现如图5-5所示。



图5-5 CCA线性生理噪声抑制和KPCA非线性生理噪声抑制方法对比结果

从图5-5中可以看出，KPCA非线性分解相较于CCA线性分解，能够提高模型或方法的分类预测准确性。这说明这里的物体识别数据集在经过非线性分解后，噪声和信号的分离程度更高。但在空间指标r上，空间模式可再现指标要么保持不变，要么有所下降。这反映非线性方法在重构时丢失的空间信息可能比线性方法要多，从而模型或方法的空间稳定性变差。

5.6 本章小结

本章首先阐述了生理噪声仿真的复杂性，然后引入了NPAIRS评测框架，并对NPAIRS框架的原理做了介绍。在物体识别数据集实验中，实验总结比对了融入生理噪声抑制机制的KPCA噪声抑制方法与未融入噪声处理的KPCA方法之间的差异，发现数据在经过生理噪声抑制之后，能同时提高模型或方法的分类预测性与空间可再现性指标。在基于体素时间过程噪声抑制和基于KPCA成分分析噪声抑制方法的对比实验中，在预测性和可再现性两个指标上KPCA分解的方法仍然具有优势。而在CCA线性生理噪声抑制和KPCA非线性生理噪声抑制方法的对比实验中，KPCA非线性分解较之于线性CCA分解方法在分类预测性指标上依然能保持优势，这可能是由于数据中混叠的噪声经过非线性分解后，分离程度得到提高。但是，在空间指标r上，空间模式可再现指标却不具有显著的优势。这可能反映非线性方法在重构时丢失的空间信息比线性方法要多，从而模型或方法的空间稳定性变差。

参考文献

[1] Ogawa S, Lee T M, Kay A R, et al. Brain magnetic resonance imaging with contrast dependent on blood oxygenation[J]. Proceedings of the National Academy of Sciences, 1990, 87(24): 9868-9872.

[2] Kwong K K, Belliveau J W, Chesler D A, et al. Dynamic magnetic resonance imaging of human brain activity during primary sensory stimulation[J]. Proceedings of the National Academy of Sciences, 1992, 89(12): 5675-5679.

[3] Wintermark M, Sesay M, Barbier E, et al. Comparative overview of brain perfusion imaging techniques[J]. Stroke, 2005, 36(9): e83-e99.

[4] Greve D N, Brown G G, Mueller B A, et al. A Survey of the Sources of Noise in fMRI[J]. Psychometrika, 2013, 78(3): 396-416.

[5] Della-Maggiore V, Chau W, Peres-Neto P R, et al. An empirical comparison of SPM preprocessing parameters to the analysis of fMRI data[J]. Neuroimage, 2002, 17(1): 19-28.

[6] Ardekani B A, Bachman A H, Helpern J A. A quantitative comparison of motion detection algorithms in fMRI[J]. Magnetic resonance imaging, 2001, 19(7): 959-963.

[7] Buxton R B. Introduction to functional magnetic resonance imaging: principles and techniques[M]. Cambridge University Press, 2009.

[8] Glover G H, Li T Q, Ress D. Image‐based method for retrospective correction of physiological motion effects in fMRI: RETROICOR[J]. Magnetic Resonance in Medicine, 2000, 44(1): 162-167.

[9] Wang S J, Luo L M, Liang X Y, et al. Estimation and removal of physiological noise from undersampled multi-slice fMRI data in image space[C]//Engineering in Medicine and Biology Society, 2005. IEEE-EMBS 2005. 27th Annual International Conference of the. IEEE, 2006: 1371-1373.

[10] Churchill N W, Strother S C. PHYCAA+: An optimized, adaptive procedure for measuring and controlling physiological noise in BOLD fMRI[J]. NeuroImage, 2013, 82: 306-325.

[11] Lund T E, Madsen K H, Sidaros K, et al. Non-white noise in fMRI: does modelling have an impact?[J]. Neuroimage, 2006, 29(1): 54-66.

[12] Piaggi P, Menicucci D, Gentili C, et al. Adaptive filtering for removing nonstationary physiological noise from resting state fMRI BOLD signals[C]. Intelligent Systems Design and Applications (ISDA), 2011 11th International Conference on. IEEE, 2011: 237-241.

[13] Foster P S, Harrison D W. The covariation of cortical electrical activity and cardiovascular responding[J]. International journal of psychophysiology, 2004, 52(3): 239-255.

[14] Birn R M, Murphy K, Handwerker D A, et al. fMRI in the presence of task-correlated breathing variations[J]. Neuroimage, 2009, 47(3): 1092-1104.

[15] Birn R M, Smith M A, Jones T B, et al. The respiration response function: the temporal dynamics of fMRI signal fluctuations related to changes in respiration[J]. Neuroimage, 2008, 40(2): 644-654.

[16] Chang C, Glover G H. Relationship between respiration, end-tidal CO 2, and BOLD signals in resting-state fMRI[J]. Neuroimage, 2009, 47(4): 1381-1393.

[17] Dagli M S, Ingeholm J E, Haxby J V. Localization of cardiac-induced signal change in fMRI[J]. Neuroimage, 1999, 9(4): 407-415.

[18] Perlbarg V, Bellec P, Anton J L, et al. CORSICA: correction of structured noise in fMRI by automatic identification of ICA components[J]. Magnetic resonance imaging, 2007, 25(1): 35-46.

[19] Birn R M, Diamond J B, Smith M A, et al. Separating respiratory-variation-related fluctuations from neuronal-activity-related fluctuations in fMRI[J]. Neuroimage, 2006, 31(4): 1536-1548.

[20] Shmueli K, van Gelderen P, de Zwart J A, et al. Low-frequency fluctuations in the cardiac rate as a source of variance in the resting-state fMRI BOLD signal[J]. Neuroimage, 2007, 38(2): 306-320.

[21] Smith A T, Singh K D, Balsters J H. A comment on the severity of the effects of non-white noise in fMRI time-series[J]. NeuroImage, 2007, 36(2): 282-288.

[22] Friston K J, Holmes A P, Worsley K J, et al. Statistical parametric maps in functional imaging: a general linear approach[J]. Human brain mapping, 1994, 2(4): 189-210.

[23] Friston K J, Jezzard P, Turner R. Analysis of functional MRI time‐series[J]. Human brain mapping, 1994, 1(2): 153-171.

[24] Friston K J, Holmes A P, Poline J B, et al. Analysis of fMRI time-series revisited[J]. Neuroimage, 1995, 2(1): 45-53.

[25] Triantafyllou C, Wald L L, Wiggins C J, et al. Physiological noise in fMRI: Comparison at 1.5 T, 3T and 7T and dependence on image esolution[C]//Proceedings of the 12th Annual Meeting of ISMRM, Kyoto, Japan. 2004: 1071.

[26] Yacoub E, De Moortele V, Shmuel A, et al. Signal and noise characteristics of  SE and GE BOLD fMRI at 7 T in humans[J]. Neuroimage, 2005, 24(3): 738-750.

[27] Geissler A, Gartus A, Foki T, et al. Contrast‐to‐noise ratio (CNR) as a quality parameter in fMRI[J]. Journal of Magnetic Resonance Imaging, 2007, 25(6): 1263-1270.

[28] Kruggel F, Von Cramon D Y, Descombes X. Comparison of filtering methods for fMRI datasets[J]. NeuroImage, 1999, 10(5): 530-543.

[29] Tanabe J, Miller D, Tregellas J, et al. Comparison of detrending methods for optimal fMRI preprocessing[J]. NeuroImage, 2002, 15(4): 902-907.

[30] Hu X, Kim S G. Reduction of physiological noise in functional MRI using navigator echo[J]. Magn. Reson. Med, 1994, 31: 495-503.

[31] Guimaraes A R, Melcher J R, Talavage T M, et al. Imaging subcortical auditory activity in humans[J]. Human brain mapping, 1998, 6(1): 33.

[32] Hu X, Le T H, Parrish T, et al. Retrospective estimation and correction of physiological fluctuation in functional MRI[J]. Magnetic resonance in medicine, 1995, 34(2): 201-212.

[33] Kang J K, Bénar C G, Al-Asmi A, et al. Using patient-specific hemodynamic response functions in combined EEG-fMRI studies in epilepsy[J]. Neuroimage, 2003, 20(2): 1162-1170.

[34] Ciuciu P, Poline J B, Marrelec G, et al. Unsupervised robust nonparametric estimation of the hemodynamic response function for any fMRI experiment[J]. Medical Imaging, IEEE Transactions on, 2003, 22(10): 1235-1251.

[35] Gitelman D R, Penny W D, Ashburner J, et al. Modeling regional and psychophysiologic interactions in fMRI: the importance of hemodynamic deconvolution[J]. Neuroimage, 2003, 19(1): 200-207.

[36] Chang C, Cunningham J P, Glover G H. Influence of heart rate on the BOLD signal: the cardiac response function[J]. Neuroimage, 2009, 44(3): 857-869.

[37] Särkkä S, Solin A, Nummenmaa A, et al. Dynamic retrospective filtering of physiological noise in BOLD fMRI: DRIFTER[J]. NeuroImage, 2012, 60(2): 1517-1527.

[38] Behzadi Y, Restom K, Liau J, et al. A component based noise correction method (CompCor) for BOLD and perfusion based fMRI[J]. Neuroimage, 2007, 37(1): 90-101.

[39] Song X, Ji T, Wyrwicz A M. Baseline drift and physiological noise removal in high field fmri data using kernel pca[C].Acoustics, Speech and Signal Processing, 2008. ICASSP 2008. IEEE International Conference on. IEEE, 2008: 441-444.

[40] Song X, Chen N K, Gaur P. Identification and attenuation of physiological noise in fMRI using kernel techniques[C]//Engineering in Medicine and Biology Society, EMBC, 2011 Annual International Conference of the IEEE. IEEE, 2011: 4852-4855.

[41] Rasmussen P M, Abrahamsen T J, Madsen K H, et al. Nonlinear denoising and analysis of neuroimages with kernel principal component analysis and pre-image estimation[J]. NeuroImage, 2012, 60(3): 1807-1818.

[42] Rodriguez P A, Correa N M, Eichele T, et al. Quality map thresholding for de-noising of complex-valued fMRI data and its application to ICA of fMRI[J]. Journal of signal processing systems, 2011, 65(3): 497-508.

[43] Thomas C G, Harshman R A, Menon R S. Noise reduction in BOLD-based fMRI using component analysis[J]. Neuroimage, 2002, 17(3): 1521-1537.

[44] McKeown M J, Hansen L K, Sejnowsk T J. Independent component analysis of functional MRI: what is signal and what is noise?[J]. Current opinion in neurobiology, 2003, 13(5): 620-629.

[45] Starck T, Remes J, Nikkinen J, et al. Correction of low-frequency physiological noise from the resting state BOLD fMRI—Effect on ICA default mode analysis at 1.5 T[J]. Journal of neuroscience methods, 2010, 186(2): 179-185.

[46] Boubela R N, Kalcher K, Huf W, et al. Beyond noise: using temporal ICA to extract meaningful information from high-frequency fMRI signal fluctuations during rest[J]. Frontiers in human neuroscience, 2013, 7.

[47] Salimi-Khorshidi G, Douaud G, Beckmann C F, et al. Automatic Denoising of Functional MRI Data: Combining Independent Component Analysis and Hierarchical Fusion of Classifiers[J]. NeuroImage, 2014.

[48] Friman O, Borga M, Lundberg P, et al. Exploratory fMRI analysis by autocorrelation maximization[J]. NeuroImage, 2002, 16(2): 454-464.

[49] Borga M, Friman O, Lundberg P, et al. A canonical correlation approach to exploratory data analysis in fMRI[C]//Proceedings of the ISMRM Annual Meeting, Honolulu, Hawaii. 2002.

[50] Friman O, Borga M, Lundberg P, et al. Adaptive analysis of fMRI data[J]. NeuroImage, 2003, 19(3): 837-845.

[51] Nandy R, Cordes D. Improving the spatial specificity of canonical correlation analysis in fMRI[J]. Magnetic Resonance in Medicine, 2004, 52(4): 947-952.

[52] Li M, Liu Y, Feng G, et al. OI and fMRI signal separation using both temporal and spatial autocorrelations[J]. Biomedical Engineering, IEEE Transactions on, 2010, 57(8): 1917-1926.

[53] Zöllei L, Panych L, Grimason E, et al. Exploratory identification of cardiac noise in fMRI images[M]//Medical Image Computing and Computer-Assisted Intervention-MICCAI 2003. Springer Berlin Heidelberg, 2003: 475-482.

[54] Churchill N W, Yourganov G, Spring R, et al. PHYCAA: data-driven measurement and removal of physiological noise in BOLD fMRI[J]. Neuroimage, 2012, 59(2): 1299-1314.

[55] 刘亚东, 胡德文, 周宗潭, 等. 功能磁共振数据结构性噪声分析[J]. 电子学报, 2007, 35(10): 1954-1960.

[56] Purdon P L, Weisskoff R M. Effect of temporal autocorrelation due to physiological noise and stimulus paradigm on voxel-level false-positive rates in fMRI[J]. Human brain mapping, 1998, 6(4): 239-249.

[57] Woolrich M W, Ripley B D, Brady M, et al. Temporal autocorrelation in univariate linear modeling of FMRI data[J]. Neuroimage, 2001, 14(6): 1370-1386.

[58] Bullmore E, Long C, Suckling J, et al. Colored noise and computational inference in neurophysiological (fMRI) time series analysis: resampling methods in time and wavelet domains[J]. Human brain mapping, 2001, 12(2): 61-78.

[59] Small M, Judd K. Detecting periodicity in experimental data using linear modeling techniques[J]. Physical Review E, 1999, 59(2): 1379.

[60] Frank L R, Buxton R B, Wong E C. Estimation of respiration‐induced noise fluctuations from undersampled multislice fMRI data†[J]. Magnetic Resonance in Medicine, 2001, 45(4): 635-644.

[61] Biswal B, Deyoe E A, Hyde J S. Reduction of physiological fluctuations in fMRI using digital filters[J]. Magnetic Resonance in Medicine, 1996, 35(1): 107-113.

[62] Ash T, Suckling J, Walter M, et al. Detection of physiological noise in resting state fMRI using machine learning[J]. Human brain mapping, 2011.

[63] Hotelling H. Canonical correlation analysis (cca)[J]. Journal of Educational Psychology, 1935.

[64] 肖柯, 苏敏, 吴飞. 基于 CCA 的 fMRI 时空模型数据处理的方法[J]. 重庆大学学报: 自然科学版, 2006, 29(5): 124-127.

[65] Schölkopf B, Smola A, Müller K R. Nonlinear component analysis as a kernel eigenvalue problem[J]. Neural computation, 1998, 10(5): 1299-1319.

[66] Mika S, Schölkopf B, Smola A J, et al. Kernel PCA and De-Noising in Feature Spaces[C]//NIPS. 1998, 11: 536-542.

[67] Auditory fMRI dataset: http://www.fil.ion.ucl.ac.uk/spm/data/auditory/. 
[68] Welvaert M, Rosseel Y. How ignoring physiological noise can bias the conclusions from fMRI simulation results[J]. Journal of neuroscience methods, 2012, 211(1): 125-132.

[69] Wink A M, Roerdink J B T M. BOLD noise assumptions in fMRI[J]. International journal of biomedical imaging, 2006, 2006.

[70] Solo V, Noh J. An EM algorithm for Rician fMRI activation detection[C]//Biomedical Imaging: From Nano to Macro, 2007. ISBI 2007. 4th IEEE International Symposium on. IEEE, 2007: 464-467.

[71] Strother S C, Anderson J, Hansen L K, et al. The quantitative evaluation of functional neuroimaging experiments: the NPAIRS data analysis framework[J]. NeuroImage, 2002, 15(4): 747-771.

[72] Strother S, Oder A, Spring R, et al. The NPAIRS computational statistics framework for data analysis in neuroimaging[M]//Proceedings of COMPSTAT'2010. Physica-Verlag HD, 2010: 111-120.

[73] Haxby J V, Gobbini M I, Furey M L, et al. Distributed and overlapping representations of faces and objects in ventral temporal cortex[J]. Science, 2001, 293(5539): 2425-2430.

[74] Kelley D J, Oakes T R, Greischar L L, et al. Automatic physiological waveform processing for fMRI noise correction and analysis[J]. PloS one, 2008, 3(3): e1751.

[75] Brooks J C W, Beckmann C F, Miller K L, et al. Physiological noise modelling for spinal functional magnetic resonance imaging studies[J]. Neuroimage, 2008, 39(2): 680-692.

[76] Smith S M, Jenkinson M, Woolrich M W, et al. Advances in functional and structural MR image analysis and implementation as FSL[J]. Neuroimage, 2004, 23: S208-S219.

[77] Shijie W, Limin L, Weiping Z. Robust ordering of independent spatial components of fMRI data using canonical correlation analysis[M]//Image Analysis and Recognition. Springer Berlin Heidelberg, 2006: 672-679.

[78] Youssef T, Youssef A B M, LaConte S M, et al. Robust ordering of independent components in functional magnetic resonance imaging time series data using Canonical correlation analysis[C]//Medical Imaging 2003. International Society for Optics and Photonics, 2003: 332-340.

[79] McKeown M J, Makeig S, Brown G G, et al. Analysis of fMRI data by blind separation into independent spatial components[R]. NAVAL HEALTH RESEARCH CENTER SAN DIEGO CA, 1997.

[80] Jones T B, Bandettini P A, Birn R M. Integration of motion correction and physiological noise regression in fMRI[J]. Neuroimage, 2008, 42(2): 582-590.

[81] Triantafyllou C, Hoge R D, Wald L L. Effect of spatial smoothing on physiological noise in high-resolution fMRI[J]. Neuroimage, 2006, 32(2): 551-557.

[82] Churchill N W, Oder A, Abdi H, et al. Optimizing preprocessing and analysis pipelines for single‐subject fMRI. I. Standard temporal motion and physiological noise correction methods[J]. Human brain mapping, 2012, 33(3): 609-627.