統計參數圖：腦功能成像分析(導讀版)（簡體書）

“很少有哪些科學進展可以像為正在工作的人類大腦進行‘拍照’這樣引人注目”。人們為什麼如此著迷于腦功能成像]因為，為了理解正常人類大腦的工作機制，功能成像是必不可少的。它試圖將不同的心理過程定位于大腦的不同部分，也即繪制一張標明哪些區域負責哪些加工過程的”腦功能解剖圖”。如同”人類基因組計劃”一樣，對人類大腦功能的探索寄托著人們“認識自我”的亙古不變的理想和愿望。
隨著腦成像的數據不斷增長，在統一的框架內對這些數據進行有效的整合及比對就顯得越發重要。統計參數圖(Statistical Parametric Mapping，SPM)提供了一種被廣泛接受的基本概念，這種概念可以用來處理各種不同形式的數據。
本書不僅闡述了腦信號分析的概念和過程，還介紹了各種腦成像數據分析的背景和方法，從fMRI到腦磁描記法(magnetoencephalography)，這些信息通過其他途徑很難獲得。本書可用作學生教材，對于剛剛接觸此項技術的科研人員和實驗神經生物學家都是非常好的參考書，還可作為腦成像數據分析軟件包的使用手冊使用。

致謝
第一部分 導論
　1 SPM簡史
　2 統計參數圖
　3 腦反應建模
第二部分 計算解剖學
　4 剛體配準
　5 非線性配準
　6 圖像分割
　7 基於像素的形態計量學
第三部分 廣義線性模型
　8 廣義線性模型
　9 對照和經典推斷
　10 協方差成分
　11 分層模型
　12 隨機效應分析
　13 方差分析
　14 fMRI卷積模型
　15 fMRI有效實驗設計
　16 EEG和MEG的分層模型
第四部分 經典推斷
　17 參數方法
　18 隨機場理論
　19 拓撲推斷
　20 錯誤發現率方法
　21 非參數方法
第五部分 貝葉斯推斷
　22 經驗貝葉斯和分層模型
　23 后驗概率圖
　24 變分貝葉斯
　25 fMRI時空模型
　26 EEG時空模型
第六部分 生理物理模型
　27 fMRI的正演化模型
　28 EEG的正演化模型
　29 EEG模型的貝葉斯反演
　30 誘發反應的貝葉斯反演
　31 群體動力學的神經元模型
　32 能量學的神經元模型
　33 EEG和MEG的神經元模型
　34 動力學模型的貝葉斯反演
　35 貝葉斯模型的選擇和平均
第七部分 大腦連接
　36 功能整合
　37 功能連接：特徵圖像和多元分析
　38 有效連接
　39 非線性連接與核
　40 多元自回歸模型
　41 fMRI的動態因果模型
　42 EEG的動態因果模型
　43 動態因果模型和貝葉斯模型的選擇
附錄
　附錄1 廣義線性模型和推斷
　附錄2 動力系統
　附錄3 EM算法
　附錄4 拉普拉斯近似下的變分貝葉斯方法
　附錄5 卡曼濾波