在Graph窗口右下角，选择FIM => Pick Ideal =>选择合适的 *.1D file (Note: 当你选择 ideal后，它会在graph窗口中显示独立的一条线，并且在x轴每点都有对应的值)。可以对Ideal进行编辑，如进行平滑(smooth)、平移(shift)、忽略初始时间点(ignore)等操作。
FIM => Compute FIM =>fico (Graph窗口顶部将出现绿色的程序条)
Define Function(OverLay)按钮将会打开另外的GUI窗口，一个相关系数的Bar(条带)和一个Color Bar，选择4个色块,从橙色至红色。可以通过滑杆设置相关性系数阈值，将看到激活图像。
(* 该分析使用的AFNI版本较老)
重命名该分析结果: Define Data Mode=>Plugins=>Dataset Rename (e.g., normlink050912a)。 □ Cluster Analysis：
a) Define Function(OverLay)=>选择p值 (位于相关系数阈值滑杆下)。记录 p值 和r值。
b) 通常选择p值可简单地改变哪个功能激活可见。如果是第2次clustering，重新检测Switch Fucntion(OverLay)以确定使用了正确的数据集。
c) Define Data Mode =>Plugins=>3D Cluster
数据集(Dataset) : 前面分析中得到的数据集 (e.g., normlink050912a). 半径(Radius, rmm): 3.8 最小体积(Min vol): 150
阈值(Threshold): 从相关系数阈值滑杆中得到的r值(double check it).
输出(Output): Condition_ideal_norm_pvalue_minvol (e.g.,normlink050912a_3dclus) Run and Close(运行并关闭)
然后重新查看激活图，选择合适的解剖像后，再选择\，并选择3dclust 输出的数据集(e.g. normlink050912a _3dclus)将会看到如下图的效果：
(3) 反卷积分析
Simple Regression Model VS. Multiple Regressor
Simple Regression Mode : 假设固定的HRF波形：e.g., h(t ) = t 8.6 exp(-t/0.547) [MS Cohen, 1997] 与刺激时间(timing)进行卷积计算(e.g., AFNI program Waver)，获得理想的反应函数参考波r(t)。 假设基线的形状：e.g. a + b*t 表示常量加上线性趋势。 对于某个体素，将Z(t)进行拟合： Z(t ) ≈ a + b*t +β?r(t )
a, b为每个体素计算的未知参数。a,b 为―nuisance‖ 参数。 β是数据中r(t ) 的幅度 = ―how much‖ BOLD? change Multiple Stimuli = Multiple Regressor :
通常在实验中有不止一种刺激或激活，e.g., 想看看―face activation‖, ―house activation‖ or ―what‖ vs. ―where‖ activity的大小，需要对每类刺激与特定的反应函数r1(t ), r2(t ), r3(t ), ….进行拟合。
每个rj(t ) 基于第j类的刺激时间，针对第j类刺激。 计算βj的幅度 = 时间序列Z(t)中rj(t )的量。
对比βs来看哪个体素在这些不同的刺激条件下具有不同的激活水平，如对β1–β2 = 0的检验。 简单回归步骤概要：选择HRF模型h(t) 为每个刺激类型建立模型反应rn(t) [使用h(t) 和刺激时间
(stimulus?[fixed-model regression] 选择基线模型时间序列[constant(a) + linear(b*t) + quadratic (c*t2)+?timing)] 对每个voxel时间序?将模型和基线时间序列整合成R maxtrix的各列?movement(volreg.1D)] ^
列，求解Z=R?β得β Group?Individual Analysis? Analysis
3dDeconvolve程序用法：
3dDeconvolve计算测量的3D+time数据集与一个给定的输入刺激时间序旬(*.1D)的反卷积。指定多个输入刺激时间序列，该程序也执行多元线性回归(multiple linear regression)。输出为AFNI 'bucket'型数据集，包括对线性回归系数(β)的最小二乘法估计、对系数的t-statistics、对某个输入刺激显著性的partial F-statistics以及对整个回归显著性的F-statistics。额外的输出为3D+time数据集，包括估计的系统脉冲响应函数。 Usage: 3dDeconvolve **** 输入数据集和控制选项
-input fname fname = 输入3D+time 数据集名称(这里可以输入不止1个文件名称，这些数据集 将按时间顺序连接，如此这样做，则不需要并忽略'-concat'选项) [-input1D dname] dname = single.1D 时间序列文件名称 [-nodata [NT [TR]] 仅估计实验设计(无输入数据) [-mask mname] mname = 3d mask dataset名称
[-automask] 从输入数据集自动创建mask(长时间序列的数据集速度将很慢) [-censor cname] cname = 用于删减异常时间点的censor .1D 时间序列文件名 [-concat rname] rname = 用于连接不同runs的连接时间点列表的文件名
[-nfirst fnum] fnum = 用于反卷积步骤的第1个数据集图像序号(default=max maxlag) [-nlast lnum] lnum = 用于反卷积步骤的最后1个数据集图像序号(default = last point) [-polort pnum] pnum = 与零假设(null hypothesis)一致的多项式的次数(可参详3dToutcount) (default: pnum = 1)
[-legendre] 为零假设使用勒让德多项式
[-nolegendre] 为零假设使用幂函数多项式(power polynomials)(default is -legendre) [-nodmbase] 不对基线时间序列进行de-mean操作(i.e., polort>1 and -stim_base inputs) [-dmbase] 对基线时间序列进行de-mean操作(default if polort>0) [-nocond] 不计算 matrix condition number
[-svd] 用 SVD 代替 Gaussian elimination (default) [-nosvd] 用 Gaussian elimination替代 SVD [-rmsmin r] r = 拒绝减化模型的最小均方根误差( rms error ) **** 输入刺激选项
-num_stimts num num = 输入刺激时间序列的数量(num>=0), (default: num = 0) -stim_file k sname sname = filename of kth time series input stimulus [-stim_label k slabel] slabel = 第k个输入刺激的label
[-stim_base k] 第k个输入刺激是baseline model的一部分
[-stim_minlag k m] m = 第k个输入刺激的最小time lag(default: m = 0) [-stim_maxlag k n] n = 第k个输入刺激的最大time lag(default: n = 0)
注：-stim_minlag和stim_maxlag选项中k为第k个输入刺激时间序列，与-stim_file k sname选项对应。其中minlag为最小延迟(通常反应血流动力学反应的潜伏期,默认为0)，maxlag为最大延迟，即我们预 期的HRF在刺激后持续的时间(要判断激活—— brief or long) (minlag和maxlag均以TR为单位) [-stim_nptr k p] p = 每个TR区间刺激函数的时间点数(default: p = 1) 注：该选项需要0层面位移时间(0 slice offset times )
[-stim_times k tname Rmodel] 从文件'tname'中给定的一系列刺激时间生成第k个(k-th)反应模型。该反 应模型由'Rmodel' 参数指定，'Rmodel'可以是下面的一个： 'GAM(p,q)' = 1 parameter gamma variate
'SPMG' = 2 parameter SPM gamma variate + derivative 'POLY(b,c,n)' = n parameter polynomial expansion