2010/04/22 (Thu) ろんぶんだらっとよみ

きぶんてんかんにろんぶんどもをながめる。

www.ncbi.nlm.nih.gov/pubmed/20375074
Tootellがlast authorな論文でFFAとか言い出してる！というだけのびっくり。
いやまあ偏見ですけど。
だってほら、ガボールパッチとかそっちのイメージが強くて。

話としては、Fusiform Face Area（FFA)と呼ばれる領域は顔に選択的に反応すると言われているけど、いわゆるlower visionというか初期知覚ってーか、まあ要するに傾きとか大きさとか位置とかによって反応変わってくる（「顔」という概念に特異的なのであれば、そのへんの知覚情報が変わっても反応変わらないはず）んで、FFAの「顔選択性」ってどーなのよ？というおはなし。
まあ比較として、視知覚情報によって反応が変わってくる、いわゆるレチノトピックな領域V1を持ってきて、FFAが顔に対してどれぐらい普遍性を持つのか調べよう、と。
んで結果的には、FFAもけっこー知覚情報の変化に反応するから、あんま概念的な表象をしてるわけじゃないかもよ？と。

ローカライザー何使ってFFA決めたのか気になって見てたけど「室内シーンと顔でローカライザーした」としか書いてねえ。
んでSuppelementary Fig.1見たけどFFA広すぎワロタ。
いやなんか解剖的に場所絞ったらしいけど。

…それってちょっとどうなん？
たとえばローカライザーなら、視知覚情報に反応するとこ落とすために、スクランブル画像との引き算は基本っすよね？
そこすっとばしてんのに「FFAは初期知覚にも反応するぞ！」っていいのかなあ？
紡錘回だもの、初期知覚に反応するボクセルもあるろー。
FFAの定義は「紡錘回ん中の顔に選択的に反応するとこ」なわけで、ちゃんと初期知覚に反応するボクセルおとしとかないとそれってFFAといわなくね？

それから、「初期知覚情報の変化」と言っても、「典型性」みたいなん絡んでくるんちゃうんかと思う。
オブジェクトの典型性と視点なんて、心理学ん中ではけっこーだいじなトピックよ？
真正面から見る顔と、傾いた顔では「顔らしさ」が変わってくるわけですよ。
そこらへんほっといてぜんぶ初期知覚って言っちゃうのどうなのかねえ。
（逆にいうと、典型性の話をしようとしたときに「初期知覚情報が違うからじゃね？」という反論をしばしばされる）
そのへんを引き算するためにも、非顔なオブジェクトでおんなじことやったときの反応を調べるべきだったんじゃね？
（なんか最後の実験に合成オブジェクト出てくるけど、そこだけ出してもどうなのよ）
それはともかく、FFAな方々は反論してくださるかどうかが楽しみですねー。

どーでもいいけどこれ解析にFreeSurfer使ってるのね。
まだ現物みたことないや。


www.ncbi.nlm.nih.gov/pubmed/20385243
つながってそーな動きだとV2・V3・V4でデコーディングできたぜ！っていう。
えなんでV4って思ったけどまああのへんってけっこー手広くレチノトピーあるんだっけか。
レチノトピー的なとこでは、「見えてないけどものがあると思ってる」とこちゃんと反応してるぜって話につながるか。

www.ncbi.nlm.nih.gov/pubmed/20382237
まだあんまし進行してないdementiaの診断にサポートベクターマシンつかおうぜ！っていう。
まあそうだよね。そういう方向になるわな。
そしたら「精度」が問題になってくると思うんだけど、工学的（モデルの改良）アプローチ以外になんとかならんのか、と思う。
んでも結局それも工学的アプローチか。
うーんやっぱちゃんとべんきょうするしかねえ。

www.ncbi.nlm.nih.gov/pubmed/20382239
覚えたものと再認プローブが一致してたら活動増える系の話のEEG版。
脳波やる先輩が今度こっち来たらきいてみてもよいかも。

あとでダウンロードするやつ
www.ncbi.nlm.nih.gov/pubmed/20381474

だらだらめもるだけ。

2010/04/21 (Wed) 分散分析の自由度まとめ

今更すぎてむしろ恥ずかしいぐらいの話。

分散分析の結果を記入するとき、F（自由度）＝F値、pが有意水準より大きいか小さいか　って表記しますよね。
そんときの自由度の計算どうなってたっけ？ってのが気になりだして気になったら昼もねむたいので（それは春だからだ）、ちょっとめも。

まず基本。
自由度のなかみは
F（条件差の自由度，誤差の自由度）
の２つ。

１要因やったら、
（条件差の自由度）＝（条件の数）－１
でおｋ。

なんで－１なん？ってひとは、はこにしまうイメージを描こう。
たとえばはこが３つあってものをそれぞれ１こずつしまうとき、どのはこにしまうか選べるのは１かいめと２かいめでしょ？
最後の１かいは、もうはこが選べない。
自由に選べる回数が自由度ってこと。

統計に即して言うと、統計では母集団の平均とか分散を推定するんやけど、母集団は知りえない。
なので
｛（各サンプルデータ）－（サンプルの平均値）｝の２乗の総和
を母分散にしたいところなんやけど、平均自体も
（母分散）／（サンプル数）
の分散を持つから、
最終的に
（母分散）＝｛（各サンプルデータ）－（サンプルの平均値）｝の２乗の総和＋（母分散）／（サンプル数）
になりますよ、と。
んで変形したら
（母分散の推定値、すなわち不偏分散）＝[｛（各サンプルデータ）－（サンプルの平均値）｝の２乗の総和]／｛（サンプル数）－１｝
になるよー、と。
分母が自由度。
んで、そもそもサンプルデータからサンプルの平均値引き算したものの総和って必ず０になるよね？
そしたら、例えばサンプルが３つあったとき、データの２つは勝手な値とってもいいけど、最後の１こは帳尻あわせで自動的に値が決まるでしょー。
だから勝手な値とれる数って（サンプル数）－１だよねって話。
うむわかりにくい。
説明ヘタでごめん。


話戻って、誤差の自由度はどうなるか。

対応がない場合は、
（誤差の自由度）＝（サンプル数－1）＊（条件数）

まあ自由度だけで考えるなら、t検定を条件数だけ繰り返すようなもん。
（実際には同一の統計的検定でt検定を繰り返すことはない。前した話なので省略）

対応がある場合は、
（誤差の自由度）＝(サンプル数ー１）＊（条件数－1）

なんで自由度が変わってくるかというと、対応のある場合ってのは「被験者の効果」があって、実験の効果との交互作用があると考えられるから。
よーするに、おんなじ被験者からとったデータは対応づけとかないと、解釈ずれちゃうかもしれないでしょってこと。

対応がなかったら、各条件において勝手にサンプル並べることもできるけど、対応があるときはサンプル並べを自由にできる回数が１回へる。
なので上の式。


２要因だったら、

主効果のF値のときは、
F（主効果の条件差の自由度，誤差の自由度）

条件差の自由度は１要因のと同じ。

対応なし・対応なしの完全無作為化要因計画なら、
（誤差の自由度）＝（１こめの要因の条件数）＊（２こめの要因の条件数）＊（サンプル数ー１）

交互作用のときは
F（交互作用の条件差の自由度，誤差の自由度）
誤差は上に同じ。
（交互作用の条件差の自由度）＝（１こめの要因の条件数－１）＊（２こめの要因の条件数－１）


１こ対応あり・１こ対応なしの分割プロット法なら、
対応なしのほうの主効果では、
（誤差の自由度）＝（対応なしの要因の条件数）＊（サンプル数－１）

対応ありのほうの主効果・交互作用はおんなじ誤差項をつかうので、
（誤差の自由度）＝（対応なしの要因の条件数）＊（対応ありの要因の条件数－１）＊（サンプル数－１）

ちなみに交互作用の条件差の自由度は上におなじ。


んで２つとも対応ありの乱塊要因計画なら、
（主効果の誤差の自由度）＝（その要因の条件数－１）＊（サンプル数－１）

（交互作用の誤差の自由度）＝（対応なしの要因の条件数－１）＊（対応ありの要因の条件数－１）＊（サンプル数－１）
と。
条件差はそれぞれ上に同じ。


なんだ、混乱してたわりには整理するとかんたんなー。
表でもつくろーかと思ったけどめんどくさいのでやめた。


あ、これぜんぶサンプル数が同じ場合ね。
数が違う場合とか３要因とかはまた今度かんがう。
３要因でもまーにたようなかんじなのでとくにかんがえなくてもいいとおもうけど。
数が違ってくる場合については他に考慮することとか増えてくるから、まあそれはまたこんど。

2010/04/20 (Tue) エクセルでｔ検定デモやるはなし

ちょっとエクセル上でt検定するための注意点を調べてたらやはりエクセル、不具合出るわ出るわ。
例えば公式にこんなんもある。
support.microsoft.com/kb/829252/ja
他にも、
oshiete1.goo.ne.jp/qa3652974.html
とか
aoki2.si.gunma-u.ac.jp/lecture/mb-arc/arc007/207.html
とか。
このRの大御所の先生は
aoki2.si.gunma-u.ac.jp/Hanasi/excel/
にエクセルの不満をぶちまけていらっさいます。

なのに
oshiete.homes.jp/qa3702442.html
と、Rよりもエクセルを勧めるひとがいてワロタ。
しかもこのひと、「正規分布が想定できないのなら、F検定が妥当」とか言ってて吹いた。
ちょｗｗｗｗｗｗF検定は分散の検定なのにｗｗｗｗｗｗ
いやあネットってほんとうにこわいなあ。
（＊よいこのみんなは、正規分布が想定できないなら、ノンパラメトリックな検定をつかおうね！）
（＊＊ほんとうによいこのみんなは、ここ含めネットの情報を鵜呑みにしないで、ちゃんと自力でおべんきょうしようね！）
（＊＊＊そもそもそんなよいこはこんな駄文見ない）


えーと、わたしがエクセルでｔ検定するのは、ちょっと出先で簡単な統計デモをする必要があるためです。
ちゃんとデータを扱いたいなら、まともな統計ソフトをつかったほうがべんりですよ。

プログラムとか書いたり、みっしり統計の勉強したかったりする場合はRがおすすめです。
今すぐ結果が欲しいんだ！という場合は解説書の多いSPSSがいいのではないかと。
Statisticaも便利らしいよ。使ったことないけど。

エクセルで検定するときの注意。
・エクセルの検定を信用しない。
・自分で関数ちまちま積む。
・ちゃんと統計の本と照らし合わせる。
・結果を誰かに話すなら統計ソフトを使おう

とりあえずのt検定。

対応なし
ｔ値を求めるセル＝（グループ1の平均－グループ2のデータの平均）/（（SQRT（（（SUM(AVEDEVグループ１のデータ）＾2）＋（SUM(AVEDEVグループ2のデータ）＾2）／（グループ１のサンプル数＋グループ2のサンプル数－2）＊（１／グループ１のサンプル数＋１／グループ2のサンプル数））

対応アリ
ｔ値を求めるセル＝（グループ1のデータとグループ2のデータの差の平均）/（SQRT（（サンプル数*SUMSQ（データの差）－（SUM(データの差）＾2））／（サンプル数*（サンプル数－1））

たぶんこんなかんじ。


t分布は、
tinv(確率、自由度）
が単純。
今んとこ手元のt値の臨界値表見てもだいたいあってる。
まあデモなのでだいたいでよし。
ただしtinvは両側の値しか返さないので注意。

t値がわかっててt分布ん中での確率を出したいなら
tdist(t値、自由度、１（片側）か２（両側））
で。

信頼区間まで手を伸ばすならもうRやったほうが身のためなのでt検定デモ＠エクセルはここまで。
こんなわかりにくいめもを解読するくらいならエクセルでt検定するより統計ソフト使ったほうがなんぼか楽。

まあでもエクセルの場合、ソフトが普及しまくってるからかんたんなことをさっとやる分にはいいんだよね。
あとデータ管理とか。
ツールなんだから使い分けがだいじ。

2010/04/19 (Mon) 満を持してのヌワラエリヤ

まあ今の時期ですからありていにいうとしゅらばりっくろーどです。
修羅の道です。
だいたいこんなご時勢で研究者になりたいとか。もうあほかとばかかと。
それを修羅の道と言わずして何と言う。

そんなすさんだ話をするのもアレなんで、今日はひさびさにほっこり紅茶話を。
こないだムジカ紅茶で一番のお気に入り、ピーククォリティー・ヌワラエリヤを封切ったんで画像をうｐしときます。

ヌワラエリヤはセイロンティー、つまりスリランカのお茶ですね。
ムジカはスリランカ紅茶140周年記念缶を作ったり、何かとセイロンびいきですね。
セイロンティーはインド茶にくらべて渋みがやわらかいイメージがあります。ムジカでも「日本人好きのする紅茶」といわれていたような。

それはともかく袋です。



金文字です。
だってヌワラエリヤの、いちばんいい時期（＝ピーククォリティー）の茶葉ですもの。

茶葉を出してみます。
リーフティーじゃなくてブロークンタイプですね。



少し色が明るい茶葉です。
いわゆるオレンジペコーさんですね。

オレンジ色だから、オレンジペコーなのですよ。
オレンジ味ではないのですよ。
という話を新入生にしたら驚かれました。
オレンジ味なのはシャリマティーだよ！
あれはあれでおいしいのだけど。



水色。
赤い。
さすが紅茶。

ヌワラエリヤは香りもよい。
香りのよい紅茶といえば、紅茶のシャンパンとの異名を持つダージリンですが、ヌワラエリヤを「セイロンのダージリン」と称するひともいるのだとか。
香りは似て非なるかんじですけどね。
しいていうなら、ヌワラエリヤのほうが草花っぽいイメージ。
ダージリンはどっちかってーと樹木の花っぽい。
まあ「マスカットフレーバー」だし。ぶどうって樹木だし。

んでもって、渋みはしっかりあるものの、角のないまるい味わいです。
ちょっとおいしいお菓子を食べるときに淹れたいお茶。


まあそんなかんじで、お茶を淹れつつしゅらばりっくろーどを往くのです。

2010/04/15 (Thu) くだらん愚痴と論文めも

おんなじとこでMRIやってた知り合いに、
「女の子だから（そこの先生たちに）手加減されてる」
と言われた。

正直思い当たるフシもあった。
あんまりきついこと言われてないなあ、と。
でも悔しい。
いやまあちきんどころかひよこハートなので、きついことは言われないにこしたことないんですけど。
でも悔しい。

これは、もう結果で返すしかないんだけどね。
ちきせう。女の子とかなめんな。
世間的にはもう女の子とか名乗れる年齢ちゃうわ。
いやまあ象牙の塔の中ではまだまだ低年齢層ですけど。
あー。ちゃんと結果出してちゃんと論文にしないと、いつまでたってもただの「女の子」にされてしまう。
早くなんとかしないと！

とはいえ今はちょっと苦行の時期。
ううぅ。苦行がんばりやがれ自分。
わかってても思うように進まない日もあるさー。



そんなことはどうでもいいので今日も論文めも。

www.ncbi.nlm.nih.gov/pubmed/20354534
M1ぐらいのときにわからんなりにマイブームだったneurogenesisと学習成立に関するレビュー。
興味再燃時用に。

www.ncbi.nlm.nih.gov/pubmed/20362684
のうみその組成が、種や性別や血統によってどんぐらい変わってくるのか、を調べたっぽい。
ぶたとうしとやぎを比べるとか。
オス豚とメス豚を比べるとか。
純血種と雑種を比べるとか。
完全野次馬興味。なので眺めてみてもよくわからん。
まあまた今度暇のあるときに。

www.ncbi.nlm.nih.gov/pubmed/20350180
ERPとfMRIだのカテゴライゼーションと記憶だの。
方法がなんかの参考になるかも。

www.ncbi.nlm.nih.gov/pubmed/20350183
またストループ。今度はキューつけるとかなんとか。
あれひょっとしてストループってなんか再燃してる？

www.ncbi.nlm.nih.gov/pubmed/20351021
がっつり読みするといっておいてとちゅうでほってるKriegeskorteのとこの。
…あれこのひと異動するって言って所属かわってないぞ？
まあそんなことはともかく、オブジェクト分類＋位置情報ってかんじ？

www.ncbi.nlm.nih.gov/pubmed/20350776
性差とかemotinal intelligenceとか右半球優位とかそんなえさに釣られクマー。
まあ似非科学が話題にしがちなテーマをしてるってだけです。
結果としては、男性は顔画像から感情を読み取るときに活動が右半球優位になる傾向があるっぽい、てことで何ひとつ似非な話にはならないんですけどね。
似非を煽らないからそんなhigh IFなとこにいかない、という理屈かもしれん。

www.ncbi.nlm.nih.gov/pubmed/20347995
ついにというかやっとというか、MRIのパターン分類が被験者間で成功しましたよって話かと。
これがNIですから、SVMというかいわゆるマルチボクセル解析のブームも沈静化して、「ただの解析方法の１つ」になったってことかなーと。
たぶんマルチボクセル研究がおもしろくなるのはここからだと思います。
もはや「とりあえずパターン分類してみました」が通用せず、被験者間での分類が「ふつーのこと」になってしまえば（この段階はまだ来てないけど）、おもしろい切り分けができなければマルチボクセル解析研究の論文にならんわけで。
んで、「おもしろい切り分け」といえばそらーもう認知心理学の出番ではないですか！
工学的な切り分けはできないから指をくわえて見てるだけでしたが、そのへんの道ならしを工学系のひとがしてくれた今なら、おもしろい切り分けをこの道具でさくさくやれるでしょう。
被験者内要因に限らずとも、被験者間要因でもできるよーって道を作ってくれたわけですから。
うむごくろう（鼻血出るほど偉そうなバカ殿風に）。
ちなみにこの論文ではさっそくrewardとか言ってますね。
まあrewardらへんは興味ないのでパス。

あとからダウンロードせなあかんやつ。
www.ncbi.nlm.nih.gov/pubmed/20357121
www.ncbi.nlm.nih.gov/pubmed/20362678
www.ncbi.nlm.nih.gov/pubmed/20348569
www.ncbi.nlm.nih.gov/pubmed/20381353

なんか学内の電子ジャーナルでトラブルしてるとこがあるらしいです。
復旧待ち。