AMN SW–DG–G · dualWM｜五套 GLM 模型与 COPE 结果

实验流程

单次 Flanker trial 分为 1.5 s 刺激呈现（flankers 1.125 s + flankers+target 0.375 s）与 var. ITI（2.25–8.25 s）；被试通过 button box 左 / 右手按键；共计 60 trials / run，约 6.5 min（458 TRs，TR = 2 s）。

共同的时序和卷积规则

所有模型共用 maintenance_globle 方波（源自 scripts/timing/AMN_Dosenbach_mixed_timing/ 的 sustain_global_runXX.txt）；其余 EV 由 03_1_generate_timing.py 从原始行为 CSV 和 AMN_response_timing/ 目录构建。trial EV 的 onset 固定为 flanker onset，duration 为该 trial 到实际 response onset 之间的真实反应时（因人而异，均值约 1.6 s）。

maintenance

maintenance_globle：一次 run 中 1 个方波，onset ≈ 14 s，duration ≈ 378 s。FSF convolve = 0，不作 HRF 卷积。

trial EV

从 flanker onset 延续至该 trial 实际 response onset，duration 随反应时变化（均值 ~1.6 s）。FSF convolve = 3（boxcar ⊗ canonical double-gamma HRF）。

response EV

以实际 response onset 为起点，固定 duration 0.1 s。FSF convolve = 3（impulse ⊗ canonical double-gamma HRF）。

概念时序图

maintenance 方波（run 全程） trial：flanker onset → response onset response：0.1 s 虚线：response onset（trial EV 终止 + response EV 起点）

读图边界：trial 与 response 是两种不同的时间锚点，不能把二者的 β 解释成完全独立、无重叠的心理过程。A/B/C 同时放入 trial 和 response EV 时，二者在时间上相邻且共享 response onset 边界，可能呈现较高 EV 相关；C1 / C2 将两类事件分开建模，用来减少同一模型内的直接竞争，但 BOLD 中真实重叠的神经过程无法被完全分离。

卷积方式速查

FSF convolve	含义	本模型使用场景
`convolve = 0`	保留 timing 文件的 onset + duration，不再施加 HRF；设计矩阵中就是一个方波	`maintenance_globle`（所有模型）
`convolve = 3`	timing 文件的每一行被视为一段"持续期间事件 train"，乘以 canonical double-gamma HRF	所有 trial EV 和 response EV（A/B/C/C1/C2）
`convolve = 6`	FIR 基函数（本页为 7 bins × 2 s = 14 s），不假设固定 HRF，逐 bin 估计事件后响应形状	`ref_Dosenbach` 的 Start_Global / Error_Global / Trial

五个模型，一张选择表

A、B、C 同时估计 trial 与 response；C1、C2 则将两类事件分开建模，用来减少同一模型内的 trial–response 竞争。所有模型均包含 maintenance_globle（convolve = 0）。

模型	任务 EV	主要问题	一阶 contrast 数
A congruency	trial_contrial_inconresponse_conresponse_incon	congruent vs incongruent 在 trial 与 response 两个窗口中的差异	9
B direction	trial_lefttrial_rightresponse_leftresponse_right	目标箭头方向与实际按键方向的侧化差异（含义不能互换）	9
C all 9 EVs	4 trial cells4 response cells	同时保留 congruency × left/right 的完整条件组合	13
C1 trial only	trial_con_lefttrial_con_righttrial_incon_lefttrial_incon_right	trial 时间窗内的 congruency 与目标方向	7
C2 response only	response_con_leftresponse_con_rightresponse_incon_leftresponse_incon_right	response-locked 的 congruency 与实际按键方向	7

ref · Dosenbach 混合 block/event 模型（Model 1）

基准模型重建自 Dosenbach et al. (2006) 的 mixed blocked/event-related design：start cue、error、trial 三类瞬时事件用 7-bin FIR（convolve = 6，basisfnum = 7，basisfwidth = 14 s），sustain 用方波（convolve = 0）。与 SW–DG–DG 系列的关键差异：本模型不使用 canonical double-gamma HRF，改用 FIR 基函数，因此可以逐时间点（2 s 一格）估计事件后 14 s 内的形状，而不假设 BOLD 形状。

来源： analysis/AMN/AMN_Dosenbach_mixed/03_2a_stats_AMN-Dosenbach_mixed_model1(fsf).md（FEAT 模板）· 可执行 .fsf：AMN_Dosenbach_mixed/AMM_startcue_f_test_update/03_2_stats_AMN-Dosenbach_mixed_model1_startF.fsf。
注：起始 cue 的 F 检验变体把主 contrast 从 4 个扩展为 11 个（额外 start_bin1 … start_bin7 的 7 个单 bin F 对比），主 4 个 contrast 不变。

EV1 · Start_Global

convolve = 6 · FIR 7 bins / 14 s。run 开头的任务集启动 cue，逐 bin 估计 0–14 s 的瞬态响应。

EV2 · Sustain_Global

convolve = 0 · 方波。任务集维持期间（start + 7 TR 起至 epoch 结束）的持续活动。

EV3 · Error_Global

convolve = 6 · FIR 7 bins / 14 s。错误试次瞬态；试次数远少于正确试次，单被试估计不稳。

EV4 · Trial

convolve = 6 · FIR 7 bins / 14 s。全部试次的 trial-locked 瞬态，跨 14 s 展开为 7 个回归量。

FIR 基函数示意（7 bins × 2 s = 14 s）

每个 bin 是一个 2 s 宽的独立回归量；contrast 在 real EV 上取 7 个 bin 的等权平均（0.142857 × 7 = 1），等价于整段 0–14 s 的平均响应。sustain 只有一个回归量（real EV 第 8 个）。

7 个独立的 2 s FIR regressor（柱高仅示意第 1 个 bin 最高，实际由数据估计）

Contrast 权重（real EV 顺序：1–7 Start，8 Sustain，9–15 Error，16–22 Trial）

#	Contrast	非零权重	含义
C1	start	real 1–7 = 0.142857	Start cue 的 7 个 FIR bin 等权平均（0–14 s 整段平均响应）
C2	sustain	real 8 = 1	Sustain 方波回归量本身
C3	error	real 9–15 = 0.142857	Error 事件 7 个 FIR bin 等权平均
C4	trial	real 16–22 = 0.142857	Trial 事件 7 个 FIR bin 等权平均

C1 · start

Start_Global（FIR 平均）

C2 · sustain

Sustain_Global（方波）

C3 · error

Error_Global（FIR 平均）

C4 · trial

Trial（FIR 平均）

与 SW–DG–DG 的可比性：ref 模型用 FIR 直接估计事件后 14 s 的形状，而 A/B/C/C1/C2 用 canonical double-gamma HRF 卷积。两者的 cope 数值不能当作同一尺度下的"同一种 β"直接比较——ref 的 β 是每 2 s 一个 bin 的幅度；SW–DG–DG 的 β 是假定 HRF 形状后的回归量幅度。可比的只有空间分布与显著性走向。

EV 相关性 / VIF

以下为各模型设计矩阵的 EV 间 Pearson 相关热图与 VIF（方差膨胀因子）统计。高 VIF 提示共线性严重、β 估计不稳定。C 模型因为所有 trial/response cells 同时在同一 GLM 中，EV 间相关性显著高于 C1 / C2 分离建模的版本。

五套 GLM 模型
从 Flanker 试次到按键反应的建模地图

实验流程

共同的时序和卷积规则

概念时序图

卷积方式速查

五个模型，一张选择表

ref · Dosenbach 混合 block/event 模型（Model 1）

FIR 基函数示意（7 bins × 2 s = 14 s）

Contrast 权重（real EV 顺序：1–7 Start，8 Sustain，9–15 Error，16–22 Trial）

EV 相关性 / VIF

A · congruency

B · direction

C · all 9 EVs（交叉）

trial only / response only（C1 / C2 共用）

ref · Dosenbach