R是不断更新的一个工具,里面的扩展包的使用是和R的版本还有byte相关的,所以这里根据你的报错信息来看, 你要检查一下你的R版本,保证在3.2以上能够使用这个扩展包.

R里的复杂扩展包一般都是有依赖包存在的,一般使用install.packages命令会让R也同时自动下载依赖包,这里你没有提供依赖包下载信息,默认应该都被自动下载好了.

另外一种情况就是R并不下载依赖包,但是在使用library()命令时也会加载一些其他包来使目标包可以被加载成功,这时会有warning信息.

加工速度是理解认知的重要概念。本研究旨在控制任务特异性，以了解认知加工速度背后的神经机制。对40名被试执行两种方式(听觉和视觉)和两种水平的任务规则(相容和不相容)的注意任务。block设计的功能磁共振成像在任务过程中捕捉到了BOLD信号。参考公开的用于处理速度的任务激活图，定义了13个感兴趣区域。认知速度是从任务反应时间得出的，这产生了六组连接性测量。混合效应LASSO回归显示，有六条重要路径提示了小脑-额叶网络预测认知速度。其中，3例为长程(2例额叶-小脑，1例小脑-额叶)，3例短程(额叶-额叶、小脑-小脑和小脑-丘脑)。长距离的连接可能与认知控制有关，而短距离的连接可能与基于规则的刺激-反应过程有关。揭示的神经网络表明，按照任务规则执行操作，自动性与自上而下努力控制注意力相互作用，解释了认知速度。

1 简述

本研究旨在通过使用一系列简单的视觉和听觉通道的刺激-反应(S-R)映射任务来解决可能的任务相关偏差。这个多任务设计目的是解决上面提到的特定于形态和功能偏向的。箭头任务最初是一种视觉S-R兼容性任务，为了更好地控制所需的感觉运动处理时间，回答涉及到关于所看到或听到的内容的简单反应，箭头任务后来被改编成视觉和听觉形式(图1)。为了减少任务转换效应和交叉试验的不确定性，我们采用了分组设计，而不是与事件相关的设计。此外，我们的目标是解决以前的研究中的方法论缺陷，这些研究利用皮尔逊的相关性和心理生理学相互作用(PPI)来建立基于连接性的模型来预测加工速度。在这项研究中，我们建立了六个连通性指标，包括四个基于多变量的指数，用于进行模型比较。通过将控制任务的反应时与控制感觉运动成分的实验任务的反应时进行回归，构造了一个认知速度变量。功能关联性模型的建立基于混合效应套索回归。据我们所知，本文在该领域首次采用跨通道多任务设计，并比较了6种方法对区域间交互作用辅助处理速度的建模结果。

2 方法

2.1 被试

从当地社区招募了40名年龄在18-28岁的健康年轻人参与研究。他们都有高中或以上学历。最终样本包括35名参与者(21.5±2.1岁，14名女性)，其中5名参与者被排除在分析之外。

2.2 处理速度任务

箭头任务被用来测量加工速度。它包括一个双选择S-R映射任务，具有相容(COM)、不相容(INC)和简单RT控制条件(NEU)(图1)。在COM中，参与者在出现向上箭头时按下“向上”按钮，在出现向下箭头时按下“向下”按钮(图1)。在INC中，参与者按下“向上”键表示向下箭头，按“向下”键表示向上箭头。实验涉及参与者在观看一条没有箭头的垂直线时按下任何按钮。因为在这些条件下出现的刺激是视觉图像，所以它们被称为COMVIS、INC-VIS和NEU-VIS。相同条件的听觉版本是COM-AUD、INC-AUD和NEU-AUD，向上箭头、向下箭头和垂直线分别被高音、低音和中音代替。

图1.描述与两种模式(视觉和听觉)交叉的三种条件(兼容、不兼容和控制)下的适应箭头任务的示意图。

2.3 行为数据分析

RTS小于100ms的试验被排除在分析之外。通过拟合正确试验的RTS计算平均RTS。准确率(ACC)定义为准确试验数除以接受试验数。RT和ACC数据符合线性混合模型，受试者被建模为随机效应。该模型安装了“lme4”R包。对所有显著效应进行事后配对比较，并用“emmeans ” R包中的图基检验进行校正。

2.4 加工速度和认知速度的定义

传统上，PS被测量为刺激开始时间和行为反应之间的持续时间。然而，感觉和运动时间应该被计算在内，以满足更高的认知需求。认知速度(CS)的定义是从Arrow任务测量的RT中回归出相应知觉通道的简单RT。将四个实验条件(相容/不相容×音频/音频)的RTS和每个对照条件(音频/音频)的RTS拟合到线性混合模型中：

其中y是任务RT的向量，X是两个控制条件的RT的矩阵，Z是四个实验条件的RT的矩阵，从模型中提取ε作为校正的RT(即，CSS)。以前的研究采用了类似的程序从纸笔测试和计算机化任务中提取PS。上面的公式产生了两个速度指数，其中值越高反映速度越快。用“retime”R软件包拟合前高斯模型，用“lme4”R软件包拟合模型。

2.5 MRI扫描参数及数据预处理

MRI图像由GESigna HDxt 3T扫描仪和一个8通道相控阵磁头线圈采集。采集高分辨率解剖图像和两次功能性图像。

时域分析是使用FSL/FEAT完成的。为了减少扫描仪的不稳定性和移位，去掉了最初的5个时间点，并在每次扫描中应用了1/90 Hz的高通滤波器。通过将每个体积与中间体积对齐来减少头部运动伪影。空间噪声通过施加5 mm的半高宽高斯来降低。通过目视检查对通过旋律获得的独立分量去除人工成分。BOLD信号被拟合了伽马卷积任务模型和干扰回归变量，包括头部运动和时间导数。获得了两个任务到基线的对比。

使用先进标准化工具版本2.2.0和MNI模板进行空间标准化。每个受试者的平均功能和结构图像的场不均匀性用N4BiasField校正来校正。由FEAT预测的所有参数估计(COPE)的对比度被归一化到MNI模板，结合AntyTransforms的刚性变换和微分同胚变换来提取感兴趣区域(ROI)的激活。

2.6 定义感兴趣的区域

本研究中提交分析的ROI基于三个PS任务生成的激活图，并从Neurovault检索。这些PS任务是数字-符号、字母比较和模式比较。每项任务的详细执行过程可以在Razlighti等人的工作中找到。简而言之，数字-符号任务涉及将数字与符号配对，字母和模式比较任务涉及分别匹配两个字符串或数字。参与者通过按下响应板上指定的按钮来回应。

图2.感兴趣区域和时间序列数据提取示意图

将激活图重采样到2 mm各向同性体素，计算体素方向的最小Z。每幅图被分成左右半球和小脑，以确保ROI掩码的解剖同源性。然后使用分水岭方法将地图解析成较小的区域。初始Z阈值和合并阈值分别设置为10和13，丢弃和合并阈值设置为100。这使得小于100体素的簇可以与相邻簇合并或移除。为了减轻由不一致和扩展的ROI大小引入的不均匀性，通过使用内部脚本将Z阈值从11增加到18，步长为0.05，将簇缩小到大约150个体素(Arslan等人，2018年)。簇形成过程如图2A所示，提取的ROI如图2B所示。

2.7 激活和连接预测值

对激活和连通性预测因子、6组区域间连通性度量和区域激活进行了估计。激活预测因子是从第一级对比的参数估计中提取的。广义心理生理相互作用(GPPI)用原始时间序列估计，其余测量用加窗时间序列计算。皮尔逊相关性用“BASE”R包估计；部分和半部分相关性用“ppcor”R包估计。对于有向路径预测器，包括GPPI、半偏相关、一阶和二阶多元向量自回归(VAR(1)和VAR(2))，在求解nROIs感兴趣区的方程后，得到了n×n矩阵，其维数为n2。表示自环的系数被排除在分析之外，留下n2−n路径系数。对于无向路径预测器，下三角形是n×n矩阵上三角形的镜像，仅保留上三角形，留下n×(n−1)/2路径系数。

2.8 特定于任务的加窗时间序列的提取

任务特定窗口时间序列的提取对于基于相关性和基于向量自回归的连通性估计都需要任务特定窗口时间序列。通过平均掩模内所有体素的信号来提取每个ROI掩模内的BOLD信号(图2B)。将任务块的初始Boxcar函数与血流动力学响应函数进行卷积，然后将卷积级数转换为具有Boxcar函数的方波。时间序列与每个单独任务的方波相乘，得到加窗的时间序列。这些窗口被连接起来以形成最终的特定于任务的时间序列(图2C)。

2.9 用广义心理生理相互作用建模的连通性

GPPI分析适用于使用线性模型估计上下文功能连通性。

2.10 基于向量自回归的连通性建模

对于n ROI网络，对p-阶向量自回归模型VAR§进行建模：

其中，内生变量xi(t)是区域i的时间序列；xi(t)的截距ci是区域j对区域i的影响，具有k 个时间点的滞后；εi(t)是区域i处的剩余时间序列。因此，一阶向量自回归模型VAR(1)建模如下：

二阶模型VAR(2)建模如下：

每个LAG包含一个n×n矩阵。对于VAR(2)，只保留含有aij2的基质。VAR路径系数用“VARS”R程序包估计，其实现是从Afni程序包的“1dGC”改编而来的。用KPSS和ADF对70个(35名参与者×2次会议)时间序列的平稳性用“tSeries”R包进行确认，并用Akaike标准(AIC)估计滞后程度，140个模型的最大滞后为5。结果表明，VAR(1)和VAR(2)都是向量自回归的合理阶数(表S1)。滞后顺序与fMRI采集的TR相对应。因此，VAR(1)表示滞后2s，VAR(2)表示滞后4s。

2.11 用于变量选择的线性混合型lasso

我们通过预测六组连通性度量中的速度指数PS和CS建立了12个模型：Pearson相关、偏相关、半偏相关、PPI、VAR(1)和VAR(2)。首先，对于每个连通性矩阵，在模型测试中包括通过p≤0.05单样本t检验的连通性路径。表示为p的模型的预测器的数量分别小于或等于非定向和定向连通性测量的78个和156个(根据路径≤0.050的统计显著性，13个ROI的成对组合)。显著的速度-连通性相关性被定义为所有受试者在同一路径上表现出一致的正连通性(图3C)。其次，用“glmmLasso”R包进行变量选择，采用线性混合模型套索回归进行变量选择。

图3 模型预测

2.12 预测模型和模型比较

在目前的研究中，六套激活和连接性预测指标被用来预测两个速度指数中的每一个。对12个模型进行了估计，并用方差分析(ANOVA)检验得到的AIC与相应的零模型进行了性能比较。用“MuMIn”R软件包中的边际R平方值估计混合效应模型的拟合优度。边际R平方仅表示由固定因子解释的方差。

3 结果

3.1 反应时间和准确度

条件对平均反应时的影响显著，F(2170)=353p<0.001，而通道效应F(2170)=2.4p=0.117及其交互作用F(2170)=1.4p=0.241不显著(表1)。条件后分析显示，NEU组RT明显短于COM组，t(170)=6.5p<0.001，INC组，t(170)=19.0，p<0.001；COM组RT明显短于INC组，t(170)=25.6p<0.001。在正确率方面，条件效应F(2,170)=24.7，p>0.001，而情态效应F(1,170)=1.1，p=2.8及其交互作用F(2,170)=0.3，p=0.730不显著。条件后分析显示，NEU的准确率显著高于COM，t(170)=6.1p<0.001，INC，t(170)=6.0p<0.001，而COM和INC的准确率差异不显著，t(170)=0.055，p=0.998。

3.2 感兴趣区

选择了13个感兴趣区(图2B，表2)，包括额叶(双侧额叶内侧皮质、双侧额叶视野和双侧额下交界处)、顶叶(双侧顶内沟)、皮质下(双侧丘脑)和小脑(双侧小叶6和小脑蚓部6)。体素的数量从148到155个不等。

3.3 模型比较

表3列出了套索为每组连通性预测器选择的最佳模型的精度度量。方差分析(ANOVA)检验的AIC表明，所有模型均显著优于相应的零模型。用VAR(1)建立的模型对PS(AIC=368.0，R2=0.212)和CS(AIC=365.1，R2=0.374)的AIC最低。由于不同因变量的AIC不能直接比较，所以我们不能用它来比较PS和CS的最佳模型。边际R2值表明，CSVAR(1)模型的解释方差最大。

3.4 选择的模型：用一阶向量自回归预测认知速度

所选模型用一阶向量自回归模型预测区际交互作用：X2(21)=73.2p<0.001，R2=0.374。最终的模型包括21个预测因子，其中6个是显著的(表4和图3)。预测较快CS的路径是较高负RMFC→LIPS(Cohen的 ƒ2=0.232，平均连通性=−0.049，β=-0.301，95%CI：[0.086，0.517]，p=0.07)，较低负RMFC→Mcv6(Cohen的 ƒ2=0.222，平均连接性=−0.047，β=−0.33，p=0.01)，较高正LIFJ→Rch 6(Cohen的ƒ2=0.202，平均连接性=0.051，β=0.218，95%CI：[0.043，0.395]，p=0.017)，低阳性→Rch6(Cohen的ƒ2=0.196，平均连接性=0.169，β=−0.193，95%CI：[−0.362，−0.03]，p=0.021)，较高的阴性→LCH6LTHAL(Cohen的ƒ2=0.182，平均连接性=−0.094，β=0.226，95%CI：[0.019，0.432，P=0.031]，LCH6→LFEF负值较高(Cohen的ƒ2=0.176，平均连接性=−0.148，β=0.241，95%CI：[0.016，0.461]，P=0.036)。在6条区域间联系通路中，3条来自额区，3条来自小脑。

图4.使用VAR(1)预测值的CS最佳模型的连接性预测值。图中仅绘制了重要连接。

4 讨论

本研究通过两组速度指数和六组连通性指数对认知加工速度进行预测，以评估与PS相关的区域间交互作用。结果表明，一阶向量自回归模型VAR(1)优于Pearson模型、偏半偏相关模型、心理生理交互作用模型和二阶VAR模型。最有意义的发现是，在涉及额叶、顶叶和皮层下区域的预定义任务-积极网络中，发现一个主要的小脑-额叶网络与认知加工速度有关。该神经网络由6条与速度相关的有效路径组成。其中LIFJRCH6、RMFC→、→MCV6和LCH6→LFEF是额叶和小脑之间的3个远程功能连接。还有三个短程连接，其中两个涉及小脑(即MCV_6RCH_6和LCH_6→→LTHAL)，一个涉及皮质(即RMFC→唇部)。值得注意的是，对速度的更强预测来自额叶，而不是小脑起源的连接性。LIFJ与RCH6的正连接性较高，RMFC与MCV6的负连接性较低，RMFC与唇部的负连接性较高，导致速度较快。相比之下，LCH6与LTHAL和LFEF的负连接性较高，MCV6与RCH6的正连接性较低，从而导致较快的速度。结果提示，CS可能涉及额叶驱动(RMFC和LFEF)和小脑驱动(LCH_6和RCH_6)支持的费力加工和自动信息加工之间的相互作用。

5 结论

这项研究的结果表明，在一组预定义的区域内，促进和抑制过程受到小脑-额叶网络的辅助，影响了认知加工速度。有效连通性分析表明，RMFC和LCH6是通过任务集维持调节信息加工的核心底物，LIFJ、LIPS和RCH6参与刺激-反应信息加工过程。关于小脑区之间在认知加工速度中的拮抗和激动性作用的新发现还需要进一步的研究。