“Seeing is believing” is an idiom meaning “only physical or concrete evidence is convincing”. According to the Wikipedia, it leads to a sophistry that “seen evidence” can be easily and correctly interpreted, when in fact, interpretation may be difficult. It is in the same way when drawing scatter plots with your correlation data.
Lately in my research, I have been focusing on correlations between behavioral data from a large dataset. As is known, correlation is an expression of how well the linear relationship between two sets of data, that is to say, how they are related under the simple linear model. To give an example, for researchers, number of papers and their salary are well correlated. Thus, you can use a researcher’ number of papers to predict his/her salary. It is important to note that ‘correlation does NOT imply causation‘.
In MRI experiments, we usually ask our participants to keep still in the scanner because head movement may affect the data quality. Meanwhile, we always do the motion correction before fMRI/rfMRI data preprocessing, aiming to reduce the potential influence of this unwanted noise. However, recent studies showed that there were motion effects even after the motion correction with the standard algorithms. For example, the artifact of participant motion affects the functional connectivity analysis of rfMRI data. In addition, head motion can also result in a bias for the calculation of both FA and MD in DTI data analysis.
今天看发布TBSS的2006的一篇文章，看到一个很有意思的参数，nonlinear displacement。看上去配准的时候位移应该是没有什么意义的，但是这其中似乎真的有一些信息等着我们挖掘。
Smith et al., 2006 为了identify the target for alignment，考查了summary nonlinear displacement scores (Fig. 7)。For each target subject, a column of scores is shown; each score represents the root mean square displacement (across all brain voxels) for the nonlinear component of the alignment of any given subject to the target subject.
过去的一周里老板安排我们几个做影像数据处理的到大连参加一个学术会议，昨天凌晨回到北京，时隔近一周时间，今天早晨起来又见到了北京晴朗的天空。
既然是开会，当然要先说一个这个会。这是一个神经影像处理的会，叫什么名就不指明了。参会的大多是医生，然而主题是神经影像数据处理，就可以预期到会议的质量了。这次会议的报告可以分几类：第一类是概述类，比如会议请来了BNU认知所的3位老师，在所里听过内容基本一样的报告，没什么新东西，不过算是前沿，对医生可能有用，对我们没学到什么新东西，另外数字人等医学相关的报告，还是长了一些见识；会议请了local承办方的两个老师讲了他们的成果，分子和细胞水平的，虽然和这个会议的主题有点不搭边，但是研究成果确实很有显示度，加上两位老师讲东西的水平很高，逻辑清晰，外行也能跟着逻辑听个大意，个人觉得这两位应该是承办方代表性的人物吧，不过对参会者没有什么太多借鉴的地方，这是第二类；第三类是成果报告类，基本内容是自己近期的研究成果报告出来，主流是connectome相关的报告，如病人正常人脑网络的比较以及不同基因型脑网络的比较等，还是connectome的传统研究套路，方法上没有突破；最后一类是请了一些所谓‘计算机领域’的专家，讲自己所谓的‘方法创新’‘工具开发’，很难理解他们是如何做到的（此处省去200字）。另外，这次参会最主要的收获，没有之一，是见到了蒋田仔老师的真人，他主要讲他提出的brainnetome（其实和美国的connectome大同小异了），虽然没有新内容，但是头一次见到真人还是有点小激动。
之前提到如何使用caret将volume的统计结果map到surface上显示，在实际科研生活中我们有时会需要将准备好的几个ROI（每个ROI中voxel的值为该ROI的编号/atlas）投射到surface上。下面简单截的动画就是完成将volume的atlas投射到surface上的工作。
从相关到因果，中间隔着十万八千里，之间存在质的区别。google一下”correlation does not imply causation”，我们可以看到太多的类似的陈述。但是在学术论文的发表中，如果能够得到’因果’的研究结果无疑是向前迈进了一大步，这是人类科学研究的一大进步（至少相对于’相关’），同时也更容易被高分杂志接收。当然，’因果’相对于’相关’总是来之不易的。在’相关’和’因果’之外，存在另一个关键词’预测’。学术报告中经常出现’prediction’或’A predicts B’，给人的感觉比’相关’确实向前走了一步。无疑地，如果我们得到了A与B相关，我们可以说A可以预测B，因为B和A存在一定的共变。文章中correlation和prediction之间存在什么差异呢？下面谈一下个人对’相关’和’预测’的关系。
前一段折腾了一下用caret将基于volume的统计结果mapping到surface上显示的事情，虽然当时查了一堆材料，流程走通了其实很简单。
surface显示相对于volume的好处就不说了，mapping到surface这个活儿也可以用tksurfer来做（大家之前用过的），不过视觉效果真心不如caret。
接着前面的写，首先补充一个计算公式，即Fisher’s z变换Z= (ln (1+r) - ln (1-r)) / 2。用于相关系数r不服从正态分布时，将r转换成正态分布的z，然后就可以用常用的t检验进行比较检验。
上次提到关于r和p的作用，用一句话总结一下上次的观点是：r是对样本的描述，p是对该r能推广到总体的程度的描述。r越大固然越好，但是样本量不能太小，否者就不能代表总体，即不显著；同样地，显著性越大固然也越好，因为这说明你的相关系数更可能表示了总体的相关，于是在相关系数很小的情况下，我们可以通过增加样本量以达到显著。这里就存在一个让人纠结的地方：因为只要样本量足够大，研究者总可以得到一个显著的结果。
相关在日常的研究中常涉及到，‘相关correlation’是指一大类统计两个随机变量或两组数据之间关系的方法。常用的计算相关的方法有Pearson correlation， Spearman correlation以及partial correlation，Kendall’s Tau等多种。其中，相关系数r (Pearson correlation coefficient)尤为常用，r从-1到1，r越接近于-1或1，表示两个变量越相关related；当r靠近0时，表示两个变量之间没有关系。因此，相关系数表示两个变量共变的程度。另外，相关系数还有一种理解，即r的平方与一个变量与另一变量相关related的变异占该变量变异的百分比相等。
os.system is equivalent to Unix system command, while subprocess was a helper module created to provide many of the facilities provided by the Popen commands with an easier and controllable interface. Those were designed similar to the Unix Popen command.
不知道你有没有类似的体验，早晨起来回味刚做的梦，梦中的自己是那么傻，思路狭窄，却在梦中时却并不会这样认为。在梦里，自我是完美的，很少怀疑自己有什么地方考虑的不周全，但是当我们醒来后，回味梦境，却觉得梦中的自己是如此的荒谬。
这不禁让我想到了为人，即现实生活中的我们真的如我们想想的那么正确无误吗？我们经常固执己见，认为看见发生的就是真理，是真的是存在的，但是实际上呢？暂且不谈盗梦空间层层的梦境，旁观者是不是可以认为是同一时空中的梦境之外的自我呢。诚然，总会有时候我们坚持自己的意见是正确的，但是大多数情况下，我们是不是真的像我们梦境中的自己那样，完全意识不到自己的荒谬逻辑呢。古人讲，当局者迷旁观者清，生活在当下的时空，我们真的需要克制一下盲目的自信，耐心聆听来自‘梦境之外’的声音，也许这样才能做出真正正确的决策。
近一段时间社交网络的蓬勃发展，给社会网络分析带来的新的机遇，同时也带来了谣言的横行。从一次次的抢盐热潮，到8.6级地震，到xx进京，真的假的，都鱼龙混珠了。虽说是‘谣言止于智者’，但是这个信任丧失的时代，又有几个能够辨别谣言真假与否呢。先来看一个恶搞视频吧。
最近在看硅谷创业之父Paul Graham的文集《黑客与画家》，每一篇都会深有感触。读到‘不能说的话’一章，不得不让我联想到如见的谣言横行。书中提到，我们可能被根据社会需要，被约束不能说一些话或做某些事，而这些事中一部分可能并没有错。这样的例子很多，它一般满足两个条件：一是，这些话我们不能说或者事情不能做；二是，它是正确的，或者看上去可能是正确的。这不禁让我联想到了谣言之所以为谣言流传不止，好像也要满足这两个条件：一是，这种话我们不能说；二是，它看上去有可能是真的。比如前一段时间全球华人关注的王氏事件或者说是薄氏事件演变出的xx进京，之所以这种言论被广泛流行，一是民众可以意识到这种事情政府是不会公之于众的，二是从事件的大背景看它真的有可能是真的。
突发奇想，打算开始写一些的关于Python在神经影像分析中的应用的文字（之所以用Python，是因为Python是一个可以替代昂贵的MatlabT的语言）。从哪里说起呢，当然是Nipype。
之所以从Nipype写起，主要出于以下几个原因：首先Nipype是我接触的第一个用python处理神经影像数据的工具；其次，由于在Nipype项目开始就一直追踪这个项目，我在2011年暑假开始参与到Nipype的项目中去，根据Nipype的框架设计,贡献了自己的工作，这个工作在2012年初随发布版v0.5发布给更多的人使用，给自己带来小小的成就感；当然，最重要的是，Nipype的各种优点让我越来越偏爱。后面我会根据自己的理解间歇地介绍一些对Nipype的了解。
