'SIN(b,c,n)' = n parameter sine series expansion 'TENT(b,c,n)' = n parameter tent function expansion 'BLOCK(d,p)' = 1 parameter block stimulus of duration 'd'
(can also be called 'IGFUN' which stands for 'incomplete gamma function') 'EXPR(b,c) exp1 ... expn' = n parameter; arbitrary expressions
[-basis_normall a] 为'-stim_times'标准化所有基准函数，以具有幅度'a' (must have a > 0)。每个基准函 数的绝对值的极值将被缩放至'a'。
注：-basis_normall 仅影响-stim_times选项
[-slice_base k sname] 从文件sname中输入第k个刺激时间序列。并指定该回归量(regressor)属于基线， 并指定在输入的3D+time数据集中每个层面的每个回归量不同。Sname文件必须 精确地含有nz列，其中nz=层面数，或者只有1列，这时就等效于'-stim_file k sname' 和 '-stim_base k'选项。
注：* 不能在-stim_minlag or -stim_maxlag or -stim_nptr选项中使用该k值。 * 不能与-input1D或-nodata一起使用该选项。
* 使用该选项的意图是提供层面独立的生理学噪音回归量，e.g. 来自1dCRphase程序的结果 **** 通用线性检验(GLT) 选项：
-num_glt num num = 进行通用线性检验(GLTs)的数目(0 <= num)(default: num = 0) [-glt s gltname] 执行由文件gltname中包含的矩阵指定的s个同时进行的线性检验 [-glt_label k glabel] glabel = 第k个通用线性检验的label [-gltsym gltname] 从文件中以符号名读取GLT
[-TR_irc dt] 用'dt'作为-IRC_times选项中积分计算(computation of integrals)的stepsize, 默认作 用'-TR_times'选项中指定的值 **** 输出3D+time 数据集的选项
[-iresp k iprefix] iprefix = 3D+time输出数据集的前缀，该数据集将包含第k个估计冲激响应 [-tshift] 使用立方样条插值函数(cubic spline interpolation) 来对估计的冲激响应函数进行 时间位移，以纠正层面获取时间的差异。注意，该选项只影响-iresp选项产生的 输出3D+time数据集
[-sresp k sprefix] sprefix = 3D+time输出数据集的前缀，该数据集将包含第k个冲激响应函数参数 的标准差。
[-fitts fprefix] fprefix = 3D+time输出数据集的前缀，该数据集将包含(full model)拟合输入数据的 时间序列
[-errts eprefix] eprefix = 3D+time输出数据集的前缀，该数据集将包含(full model)拟合输入数据 的残差(residual error)时间序列
[-TR_times dt] 有'dt' 作为输出-irest和-sresp文件的stepsize。默认与输入3D+time数据集的时间 间隙(spacing)相同，单位为s **** 控制输出bucket数据集内容的选项：
[-fout –rout –tout –vout –nobout -nocout] 分别表示输出F-statistics, 输出R^2 statistics, 输出t-statistics, 输出sample variance (MSE) map, 抑制输出baseline coefficients(and associated statistics)以及抑制输出regression coefficients(and associated statistics)
[-full_first] 表示拽定全模型(full model)统计量将出现在输出bucket 数据集的第1个
[-bucket bprefix] 创建1个AFNI 'bucket' 数据集，包含不同的感兴趣的参九，如估计的冲激响应函 数(IRF)、各种系数及全模型拟合统计量。输出bucker数据集前缀 bprefix [-xsave] 表示保存X矩阵至bprefix.xsave(仅在同时使用-bucket选项时有效) [-noxsave] 不保存X矩阵(this is the default)
[-cbucket cprefix] 保存回归系数(regression coefficients)，不包括对回归系数的检验统计量，保存的 数据集前缀为'cprefix'。如果可能，该数据集将代替bucket 数据集在-xrestore选项 中被使用。
[-xrestore f.xsave] 从以前的run中保存的'f.xsave'文件恢复X矩阵等。当使用-xrestore选项时，大多 数其它命令行选项被忽略。 **** 下面的选项只控制屏幕的输出
[-quiet] 表示抑制大多数屏幕输出 [-xout] 表示输出X和inv(X'X)矩阵至屏幕 [-xjpeg filename] 输出X 矩阵的图形(JPEG 文件) [-progress n] 每n个体素输出一次统计结果
[-fdisp fval] 输出这些全模型F- statistic > fval 的体素的统计结果
-jobs J 以'J' 个jobs运行程序(子进程)。在多CPU电脑上，该选项将明显地增加程序运 行速度。J的范围为1至CPU的数目。
* 更多的平行处理，参见http://afni.nimh.nih.gov/afni/doc/misc/afni_parallelize * 使用 -mask 可以加快速度 **注意事项 **
新版本的3dDeconvolve已经为大多数内部计算使用双精度算法编译。 例1 用反卷积进行简单回归分析：
例2 去除头动伪迹的反卷积分析(在基线中考虑头动参数) 3dDeconvolve -input epi_r1_reg+orig -nfirst 2 -num_stimts 7 \\ -stim_file 1 epi_r1_ideal.1D -stim_label 1 AllStim \\ -stim_file 2 epi_r1_mot.1D'[0]' -stim_base 2 \\ -stim_file 3 epi_r1_mot.1D'[1]' -stim_base 3 \\
-stim_file 4 epi_r1_mot.1D'[2]' -stim_base 4 \\ -stim_file 5 epi_r1_mot.1D'[3]' -stim_base 5 \\ -stim_file 6 epi_r1_mot.1D'[4]' -stim_base 6 \\ -stim_file 7 epi_r1_mot.1D'[5]' -stim_base 7 \\ -tout -bucket epi_r1_func_mot -fitts epi_r1_fitts_mot
epi_r1_mot.1D为3dvolreg校正时生成的头动参数，0~5分别表示x-, y-, z-方向的位移以及Roll(I-S), Pitch(A-P), Yaw(R-L)的参数。
去除和不去除头动伪影的激活图效果参见附页 #9。
例3 多元回归的脚本(decon_ht2)
实验介绍：Block Design, Human vs. Tool, and High vs. Low contrast, visual stimulaiton
3dDeconvolve -xout -input rall_vr+orig -num_stimts 4 \\ -stim_file 1 stim_files/scan1to4a_hrf.1D -stim_label 1 Actions \\ * -stim_file 2 stim_files/scan1to4t_hrf.1D -stim_label 2 Tool \\ -stim_file 3 stim_files/scan1to4h_hrf.1D -stim_label 3 HighC \\ -stim_file 4 stim_files/scan1to4l_hrf.1D -stim_label 4 LowC \\ -concat contrasts/runs.1D \\ ** -glt 1 contrasts/contr_AvsT.txt -glt_label 1 AvsT \\ *** -glt 1 contrasts/contr_HvsL.txt -glt_label 2 HvsL \\ -glt 1 contrasts/contr_ATvsHL.txt -glt_label 3 ATvsHL \\
-full_first -fout -tout \\ 全模型统计量出现在最前面 -bucket func_ht2
注：键入source decon_ht2(需要几分钟)运行该脚本。
* Stim #1 = 人的运动视觉呈现, Stim #2 = 简单(tool-like)运动视觉呈现，Stims #3和#4 = 高对比和低对比率 ** 表示连接成的各个run从哪个时间点开始，在该例中，不[0,108216,324] T
*** 3dDeconvolve提供为每个回归量进行单独地检验,但如果想对每个体素b weights的连合(combination)或对比(contrasts)进行检验,可使用-glt选项。
在上例中，我们有12个b weights：8个基线参数baseline parameters (每个run2个), 它们位于b vector的前面，4个回归幅度regressor magnitudes。(from -stim_file选项)
文件contrasts/contr_AvsT.txt 内容为 0 0 0 0 0 0 0 0 1 -1 0 0 (1行12个数)，目标就是对b weights 的线性组合进行检验。例子中的contr_AvsT.txt为比较Actions and Tool bs，检验假设bActions– bTool 1 0。 文件contrasts/contr_HvsL.txt 内容为 0 0 0 0 0 0 0 0 0 0 1 -1，用来检验bHighC– bLowC 1 0
文件contrasts/contr_ATvsHL.txt 内容为 0 0 0 0 0 0 0 0 1 1 -1 -1，用来检验(bActions+ bTool)– (bHighC+ bLowC) 1 0
这些统计量显著的区域，在activit viewing tasks和grating viewing tasks将具有不同的BOLD信号改变量。 -glt_label 3 ATvsHL选项用来为结果统计量sub-bricks附1个有意义的标签(label)。 该脚本的结果(bucket dataset)如下图:
Color Overlay is HvsT contrast
a) F-检验来检测一个回归因子(model component)(降低时间序列变异)的显著性。 全模型F-检验：全模型回归量降低数据的变异性-基线回归量降低的变异性 (上图的sub-brick #0)。
对某个回归量的部分F-检验：全模型回归量降低变异性-去除该回归量的全模型降低的变异性 (上图的sub-bricks #19, #22, #25和 #28)
b) Coef sub-bricks为b weights (上图的17, #20, #23, #26) c) T-statistic sub-brick测量每个系数的作用(检验bj = 0)
3dDeconvolve将会建立1 个新的AFNI功能数据集(名为bucket 数据集)包含有统计图，包括：t-检验，线性模型的β-权重参数，拟合参数等。你现在可以在AFNI中将统计图重叠至原始的EPI数据上进行查看。你应该检查该模型的拟合优度，因为你还会将之用于其它类型数据的线性回归和GLM分析。β-权重参数及其相应的t-test值为我们提供了对每个实验情况反应的功能激活的指标。
被试内应用GLM分析非常灵活，并且也非常复杂。 完整的3dDecnvolve脚本源程序参见附录3。 5.6.b 激活图的clustering, montage, and render (1) 3d clustering 见5.6.a相关分析部分 (2) 图像的剪辑
完成激活图后，选择适合的视角(Axial, sagittal, coronal image)，在图像 窗口下部点击Mont按钮，出现如右侧窗口，可选择横向图像数(Across)、 纵向层面数(Down)、图像层面间隔(Spacing)及边框(Border)等。 (3) 图像的渲染(Render)
Render?Plugins?通过Define Datamode New可调出图像演染窗口：
*注：视角控制Roll(about I-S axis), Pitch(about L-R axis, after roll rotation), Yaw(about A-P axis, after roll and pitch) Volume渲染的概念：
目标是创建由像素(pixel)组成的2D图像。每个像素为视线俯视3D volume时获得。 如果沿从右到左的直线查看，则沿该线条(白色)的所有数据对获得的 像素都有影响。
每个3D 体素包含一个数值。该数值决定该体素的亮度(或色彩)(如果
该体素可见)。
该数值还决定该像素的不透明度(opacity)：
Opacity = 0 T 透明 (该体素亮度对图像无影响，即该体素不可见) Opacity = 1 T 不透明 (该体素后面的任何体素都不可见)
Opacity = 0.5 T 半透明(该体素亮度的50% 作用于图像; 该体素后面的体素贡献其余50%)
Rendering需要较多的CPU和内存资源。可使用3dIntracranial程序对T1加权解剖像进行去除头皮及头皮外组织。有时，该步骤需要对orig数据集操作，然后再保存为Talairach坐标系。
3dIntracranial – 进行颅内区域解剖分割, 从高分辨率的T1加权解剖像去除头皮及其它非脑组织。 Usage: 3dIntracranial
-anat filename => 需进行分割的解剖数据集文件名
[-min_val a] => 最小体素值界限[默认：内部的概率分布函数(PDF)估计下限(?)] [-max_val b] => 最大体素值界限[默认：内部的概率分布函数(PDF)估计上限(?)] [-min_conn m] => Minimum voxel connectivity to enter(Default: m=4) [-max_conn n] => Maximum voxel connectivity to leave(Default: n=2) [-nosmooth] => 抑制对分割遮罩(segmentation mask)的平滑 [-mask] => 产生功能像遮罩(辅助)[默认：生成解剖像] [-quiet] => 抑制屏幕输出
-prefix pname => 包含分割后图像数据集的前缀 ** 注 **：新版本的3dSkullStrip可能会生成更好的分割结果。 例如：3dIntracranial -anat anat+tlrc -prefix astrip
AFNI可以渲染以任意轴向和体素大小储存的数据集。数据集内在地重定向re-oriente(见3dresample)至轴向层面顺序(axial slice order)，所以切除方向具有意义。注意，轴向层面顺序是以+acpc或+tlrc坐标系输出的?warped‘数据集的标准轴向。
OverLay数据集也被重采样，这样其网格间格与UnderLay数据集相匹配。
按Accumulate按钮，接着按DynaDraw按钮，然后Roll?按Draw按钮完成第1幅图像?Plugin将载入体素值，创建直方图，并准备好进行渲染?渲染示例：在Talairach视图下，打开渲染plugin，然后选择astrip+tlrc作为UnderLay数据 将会产生自不同角度的渲染。?t几次
如果DynaDraw被关闭(off)，必须每次手头按Draw按钮进行新的渲染；
如果Accumulate开启，渲染的图像被保存，可以使用图像查看滑杆进行回顾；如果关闭该功能，下一次生成的渲染图像将清除历史。
Load?默认地，当在渲染的各图像移动时，Plugin控制器件(?widgets‘，相当于各种参数)不发生改变；可以选择Script Widgets将使widgets显示当前显示图像被渲染的设置。 □ 改变从体素值至亮度和透明度的映射：
要想让白质完全白色：拖动#3亮度handle至顶部，超过白质的值；
要想让所有低强度的体素降低不透明度至0：拖动#不透明度handle至底部，超过直方图的波谷值。 □ 切除部分volume，这样可以看见想看见的部分：
每种cutout指定数据集中的空间的一部分将被去除(通过设定这些体素的不透明度为0) 多重cutouts可以两种方式组合： OR T所有cutouts内的体素都被去除；
AND T只有包含在所有cutouts内的体素才被去除
(即使在AND组合方式下，也可用Must Do按钮来强迫cutout内的体素被去除)
Right of, left of, anterior to, posterior to, inferior to, superior to分别用来切除指定体素右、左、前、后、下和上面的