fMRI应用的边界在哪里？在看到这篇文章以前，你可能会觉得fMRI研究的边界你能够指的出来。但读完这篇文章后，我相信你会对fMRI这种技术的应用有更加天马行空的想法。同时，在面对现有的fMRI技术时，你会不会“路径依赖”呢？面对一些有趣的研究问题因为统计分析方法的限制而无法实现你的想法呢？这篇文章在任务态fMRI的数据处理方面同样具有特色，尽管这种处理思路有迹可循，但是将其用在task-fMRI中（或者说是一种state-fMRI）进行数据处理在当前的文章中并不多见。因此，如果你也是一个有着天马行空思想的研究者，是一个想在“路径”突破方面有更多创新性思路的研究者，这篇文章将是你打开新思路的钥匙，一起来享用吧！
在这篇文章中，作者使用功能磁共振成像(fMRI)手段，研究了创业者表现出的激情高低如何影响非正式投资者对初创企业的投资兴趣这个有趣的话题。同时，作者使用任务态设计来完成对非正式投资者在面对不同激情度的创业者视频进行观看时的脑激活响应模式的观察。而在数据分析方面，作者并未使用传统的GLM建模方法对数据进行分析，而是采用了类似于静息态数据对大脑不同脑区的信号变化值进行提取，通过一系列基于假设的数据转换方法（即作者使用的这些方法有一定的假设要求，同时有不同的论文使用的证据支持），来计算神经参与度这样一个指标。通过这个指标，从神经层面衡量了非正式投资者在高激情创业者和低激情创业者时所表现出的不同的投资兴趣。
结果发现，表现出高激情的创业者比表现出较低激情的创业者让投资者的神经参与度增加了39%，而且投资者对高激情创业者风险投资的兴趣度比低激情创业者提高了26%。神经参与度一个标准差的增量相当于投资者对初创公司投资兴趣值8%的增量。这些结果表明，神经参与度可能解释了一些创业者激情对投资兴趣的影响。该研究对与企业有关的研究和实践都有启示。本文发表在经济管理类著名期刊：Journalof Business Venturing上。
如果您对任务态fMRI感兴趣，请点击浏览：
第五届任务态fMRI专题班（南京）
研究背景：
创业者对情感、热情和精力（即创造者激情）的表现是吸引机构投资者对新企业兴趣的关键因素。根据行业观察和学术研究，在演讲中表现出热情（或者不止是企业演讲哦，情绪传递是心理学研究中一个重要的方面哦，希望这篇文章能给你带来其他方面的启发）的企业家，更有可能让投资者对他们的企业进行进一步调查，并为其提供资金。
尽管研究人员在理解创业激情方面取得了相当大的进展，但有一些重要方面的研究仍旧是不完整的。一个主要方面是，尽管先前的研究检验了创始人激情对风险资本家和天使组的成员在投资兴趣方面的影响,但没有检验创始人激情对非正式投资者利益的影响，根据全球《全球创业观察》(Global
Entrepreneurship Monitor)所述，非正式投资者（如家人,朋友及有勇无谋的陌生人）占初创企业投资的大多数，2012年至2015年期间，他们在全球投资了1万亿美元（这一点并不难以理解，强如微软、苹果，在初期受到的投资也基本来自于朋友和家人）。这一遗漏意义重大，忽视了在初创企业中一个极为重要的投资来源。
因此，非正式投资者是一个经常被忽视的重要群体，无论是在一般的风险融资研究中，还是在研究激情如何更具体地影响投资者决策的研究中。因此，作者研究了创始人激情对非正式投资者决策的影响。
方法
被试：
非正式投资者由企业家的朋友和家人以及陌生投资人组成。按照真实社会中非正式投资者在性别，年龄，教育程度，家庭收入等方面的比例招募被试（一项有总体样本分布状况的研究，有趣）。如美国大多数非正式投资者是男性(72%)，那么最终样本的男性占比为67%，与真实社会基本一致。
最终招募19名被试参加研究，4名被试因幽闭恐怖症、扫描等因素被排除实验。最终的15名被试，健康状况良好，具有流利的英语表达能力，视力或矫正视力正常。10名男性，M(age)=29.6岁，SD=6.85；5名女性，M(age)=29.0岁，SD=8.46；平均工作经验=6.4年，SD=5.39；教育程度：高中=13%，专科学院=13%，学士学位=40%，硕士学位=27%，博士学位=7%；且都不是专业投资者。
实验刺激与刺激呈现：
被试在进行fMRI扫描的同时观看企业家推介视频，佩戴fMRI兼容耳机保证听觉正常且舒适。
采用单因素二水平设计来操纵创业者激情。根据Mitteness et al. (2012)将激情分为不同类型：感受型，表现型和知觉型的激情。感受型激情指企业家所体验到的激情；表现型的激情指所表现出来的激情，比如“在他们的演讲中表现出激情”；知觉型的激情外部观察者认为他们有多激情。本研究主要关注表现型激情。
招募十名演员（interesting！），用摄像机记录他们的宣讲视频。视频内容来自真实的网上融资平台，例如：一个是关于企业合作工具的，一个是关于律师雇佣平台的，另一个是关于3D打印的等。每个演员分别用高激情和低激情对每个宣讲脚本表演两次。
为了确保每一个高/低的激情宣讲视频确实反映出所要表达的属性，让独立的参与人员对这些视频进行评分（这是非常重要的一个步骤，对实验材料的稳定控制是实现实验目的的重要保障！）。
30个人对视频所表现的热情程度进行评分。问题包括：
a)评估宣讲者在视频中的声音变化：1-低转调到7-高转调；
b)宣讲者的空间移动，特别是在本视频中使用的手势：1-最小的移动到7-广泛的移动；
c)企业家的正性表情，特别是关于微笑：1-没有面部表情到7-丰富的面部表情；
d)总体上，请评价企业家在整个演讲过程中所表现出的热情程度：1-低热情到7-高热情（制定能够反映实验材料的评定标准亦极为重要！）。
所有问题的平均值，在低激情条件下为1.56，高激情条件下为5.60，两者具有显著差异（p<0.05，t检验）。此外，聘请另外28位评分者基于Lietal.(2017)对视频中所表现出来的激情进行评分，其中包括：视频中的项目团队或创业者：
a)对项目想法感到兴奋；
b)表达对项目想法的痴迷；
c)表现出对项目想法的热情；
d)能够表达他或她对项目想法的热情；
e)表现出对项目想法的热情；
f)表现出完成项目的冲劲。
在1-5的范围内进行打分。所有问题的平均值，在低激情条件下为1.62，高激情条件下为4.02，两者具有显著差异（p <0.05，t检验）。这些数据表明，通过操纵所表现出的激情是有效的（可以看出，作者对实验材料的质控是相对严格的）。
实验中，随机分配每个被试观看20个宣讲视频中的10个（随机化在这一步同样重要，这样可以避免材料设计中可能出现的系统性误差），最后得到147个评估结果（剔除损坏数据后）。宣讲视频通过fMRI内的监视器观看。每个被试只观看每个宣讲者/宣讲项目一次。每个被试观看五个高激情和五个低激情视频，顺序随机。观看不需要头部移动或显著的眼动。
在观看了每一段视频后，被试被问及一组包含投资兴趣的问题。
问题1：我希望看到更多关于这个项目的信息：1-强烈反对到7-强烈同意；
问题2：根据手头的信息，我有兴趣投资于这家公司：1-强烈反对到7-强烈同意；
问题3：这家公司对我来说是一个很好的投资机会：1-强烈反对到7-强烈同意；
问题4：与其他初创公司相比，我认为投资这家公司会带来更高的回报：1-强烈反对到7-强烈同意；
问题5：这个宣讲内容是：1-非常差到7-很好。这些项目的得分进行平均以实现对投资者投资兴趣的测量。这些条目间的克隆巴赫系数（一种常用的评定量表信度的统计方法，在spss中可以简单的实现）为0.92，表明各项目内部一致性很高。
回答没有时间限制，被试通常在几秒内回答每个问题（4.2 ± 2.8秒）。
图1. 实验流程
fMRI
被试的fMRI数据通过带有标准头部线圈的3T MRI扫描(Skyra，Siemmens)获取的。扫描采用回波平面成像(EPI)序列。重复时间(TR)为2000ms，回波时间(TE)为20 ms。每个volume由38个3毫米厚的切片组成。结构像获取采用T1加权脉冲序列(TR，2300ms；TE，3.08 ms；FOV，220mm2)。
为了减少头部移动，受试者的头部用泡沫填充物固定。fMRI数据采用Brain Voyager QX (Brain Innovation)（感兴趣的话，可联系siyingyxf购买）重建，并使用Matlab (Math Works，Natick，MA)进行分析。功能数据被转换为三维Talairach space (Talairach &Tournoux，1988)，并投射到皮质表面进行重构。
为减少非神经性信号等伪迹对局部血氧信号的影响，从每个被试每个体素中的血氧信号中回归平均白质信号（应该是提取平均白质信号后，进行了全脑的协变量回归）。每个被试的该平均信号再被纳入线性回归以预测每个体素中的血氧信号。然后将血氧信号替换为由此回归产生的残差（residual），并将每个残差的均值和方差与投射前血氧信号的均值和方差相匹配。fMRI的原始体素数据在记录过程中被标准化为0到1。
跨脑区相关
对内容的投入，比如紧张的电影剧情或者优雅的演讲，都会驱使不同人的大脑功能表现出相似的模式——即内容对大脑所带来的这种共同影响覆盖了原来大脑内的个体差异（该假设对于作者的处理方法至关重要！）。如Schmalze等人（2015）在研究中指出：“在富有张力的演讲中，听众像是一个团体而在相互之间表现出更多的重合，表明有张力的演讲可以潜在的控制听众的大脑反应”。
对这种投入度的计算可以通过对多个体的全脑平均来得到，但首先要实现时间（所有被试观看时间相同，而且在秒与秒上匹配）和空间（所有大脑要统一重新计算，以便相关的神经位点的响应表示相似的源）上的连接。
在这种度量下，较高的相关性表示较高的投入度，而较低的相关性表示较低的投入度。换句话说，个体间（在全脑）的神经活动越相关，则其对当前内容的投入度越高；而个体间神经活动越不相关，则其对当前内容的投入度越低（这里的建模逻辑有些类似于结构协变网络，思路一样，只是具体假设不一样）。
为了评价被试的瞬时投入度，对基于Harvard-Oxford atlas的111个兴趣区（ROIs）的大脑连接进行比较。每个ROI由与特定脑功能或结构体（例如“杏仁核”或“额叶”）结合在一起的体素组成。将这些体素聚集到指定的ROI中,并在记录周期的过程中,在每个ROI位置生成用于活动的单个时间序列值（即提取ROI时间序列）。对每两个观看了相同宣讲视频的被试，他们在每一个时间窗口内不同兴趣间的两两相关，被总平均为跨脑区相关的值（CBC，Cross Brain Correlation），而该CBC的时间序列与每个宣讲视频的时间进程是对应的（参见附录表3，用于分析每个ROI内的CBC）。
虽然CBC的典型计算是将所有对（即所有被试的每一对连接）的相关进行平均，但我们感兴趣的是被试水平上的投入度，因此我们计算的是个体水平上的CBC。由于CBC是受试者之间的比较，我们仅通过计算单个被试和所有其他被试的成对相关性来计算个体的贡献。
比如对于被试4的CBC，则计算被试4与该组中所有其他被试之间的成对神经相关性（4-1、4-2、4-3、……、4-N，-代表“和”的意思)。对于个体投入度的CBC分析，我们将个体与其他所有被试之间的相关在时间序列上进行平均，然后再对每个ROI内的反应进行比较。个体对每个宣讲视频的投入度的结果在0(低投入度)到1(高投入度)范围内。对被试CBC的详细计算，见图2：
图2.CBC（Cross Brain Correlation）计算步骤
（1）对fMRI数据进行标准化的预加工，然后使用Talairach coordinates将所有脑数据置于相同的坐标内。 （2）确保所有的voxels反映着同样的脑区结构。Co-registering之后，查看每个ROI，并选择与特定宣讲视频对应的样例。 （3）之后计算所有案例和体素之间在特定的ROI和时间序列上的相关，并将所有的相关以ROI为单位平均为单一的数值。 （4）重复上面的步骤得到每两个被试间（如图被试1和被试2）在111 个ROI上的相关。将这111个相关再平均得出总平均，则代表被试1和被试2在pitch 6上的CBC。（5）重复上面步骤可得出被试1和被试3、4、……、N在pitch 6上的CBC，然后将所有的CBC再平均，即可得出被试1在pitch
6 上的CBC（跨脑区相关的值）。
统计分析与结果
当15名被试中的任一人j面对10次不同的投资行为k时，对于每一次观察i，都会随机遇到高激情或低激情的演讲视频这一变量。让Pi作为事件i的指标变量。那么投资者的兴趣分数Yi则来自于被试观看每一个宣讲视频时所计算出的神经参与度。εi为误差项。而我们主要感兴趣的是回归模型中激情β的作用：
因为实验中的变量涉及被试和投资事件两个水平，因此在分析中使用多重模型。我们考虑模型的变式，其中1) 截距α和系数β在被试、投资或这两者上都被建模为随机变量。在这些变式中，标定随机截距αj和δk以及随机系数βj和βk。
投资在想法上是存在质的差异的，而被试在投资的初始兴趣上也有差异，这就说明将随机截距包括在内是有道理的。而我们感兴趣的是激情的作用，而不是估计来自被试自身和投资事件的影响，这表明应把β看作是固定的而不是随机的。使用Akaike
Information Criterion (AIC，这个指数用来估计模型对于数据拟合度的高低，即模型是否最有效的利用了数据中的信息，该值越小表示该模型拟合度越高！)估计模型的复杂性，并比较它们在使用数据时的效率。分析中我们检查AIC而不是似然比，因为模型不是嵌套的（即被试和投资事件这两个变量不嵌套）。估计采用Stata混合程序进行。
表1展示了以投资者兴趣为因变量的六个模型。第1列表示采用固定截距和固定兴趣系数的模型估计。第2和第3列分别在被试和投资事件上采用随机截距。第4列在被试和投资事件上均采用随机截距，可以看到该模型下的AIC最低，表明它最有效地利用了数据。这也是我们的首选准则，给出数据生成过程和估计目标。第5列和第6列在被试和投资事件上采用随机截距，而激情系数在被试和投资事件上分别是随机的。这些情况不会改变对感兴趣系数的估计，但使数据的使用效率略低一些。以个体投入度为因变量的更为精细的模型比较重也得出了同样的结果。
表1. 6种模型的对比
在假设1中，作者的理论认为，表现出更高的创业激情会导致更高的神经投入度。分析表明，不同操作条件下的神经投入度是显著不同的。如表3所示，相对于低水平的创业激情，在宣讲视频中表现出高水平的创业激情会导致更高的投资者神经投入度(B=6.810，p<0.001)，相对于低激情条件下的平均水平17.4，神经投入度增加了39%。如图3，展示了在高和低激情宣讲条件下被试间大脑的相关。黄色表示被试间脑区的相关。图中所标明的一些功能（视觉、听觉、语义处理、情感和记忆以及内容的认知加工）是由高激情宣讲激活的。以前的研究表明这些激活区域在某种程度上与对内容的高度投入有关。
表2. 描述统计与相关
表3.激情对神经投入度的因果效应
图3.fMRI激活图。反映在低激情宣讲视频（上排）和高激情宣讲视频（下排）上被试间持续表现出相关的区域。
假设2认为，更高的神经投入度会导致更高的投资者兴趣。表4显示了神经投入度与投资者兴趣之间的关系。在考虑被试和clip-level随机效应的回归中，较高的神经投入度与投资者兴趣呈正相关(B=0.0553，p<0.01)，即神经投入度每增加一个标准差则投资者兴趣相对于平均值增加8%，如果将投资者兴趣分解到各个项目上，这种正相关模式依然存在。
表4.神经投入度对投资兴趣的预测
在假设3中，作者认为表现出更高的创业激情会导致更高水平的投资兴趣。表5显示，表现出较高的创业激情会增加投资者的兴趣(B=0.870，p<0.001)，表现出较高的激情使投资者的兴趣增加了26%，而表现出较低的激情只让投资兴趣增加了3.4%。如果将投资者兴趣分解到各个项目上，这种模式依然存在。
表5.激情对投资兴趣的因果效应
假设4认为，对宣讲视频有更高投入度在一定程度上调节了创业激情对投资兴趣的影响。表6显示，激情系数(B=0.758，p<0.01)，与表5所示的投入系数(B=0.870，p<0.001)相比减少了0.112。如果将投资者兴趣分解到各个项目上，投入度作为调节因素纳入模型，依然会使得各参数降低。这些结果表明了该调节效应的可能性。
表6. 创业激情与个体投入度对投资兴趣的预
表6呈现了更有结构化的中介分析。对这些模型的估计是用STATA程序对广义结构方程建模的GSEM进行的。根据表1的模型对比结果，对投资兴趣Si的方程在被试和投资事件上使用随机截距。对个体投入度ei使用固定截距。激情通过个体投入度间接调节投资兴趣。而个体投入度是通过两个系数（γp与βe）的成绩体现的。总效应βp+γpβe是间接效应和直接效应的和。如表6所示，中介效应占0.870总效应的0.112，即13%。尽管这一比例很大，但并不具有统计上的显著性，这说明了个体投入度虽然可能参与了激情对被试的投资兴趣的调节，但这种影响的程度还有待进一步观察。
表7. 激情对个体投入度的调节效应
总结：
研究人员和实践者都认为，创业者的激情是吸引投资者兴趣的核心，本研究从认知神经科学层面为这一现象提供了一个新的解释：创业者的热情影响投资者的神经投入度。而这种神经投入度反过来又会影响投资者对初创公司的兴趣，也就是说神经投入度是创业者激情影响投资兴趣的一条途径。
看完本文，我终于理解了为什么那位对钱不感兴趣的英语老师创业时为什么能够得到雅虎和孙正义的投资，因为他够激情啊！比如说喜欢唱“怒放的生命”
原文
Shane,
S., Drover,W., Clingingsmith, D., & Cerf, M. (2019). Founder passion,
neuralengagement and informal investor interest in startup pitches: An
fMRIstudy. Journal of Business Venturing,105949.
如需原文及补充材料请加微信：siyingyxf 获取,如对思影课程感兴趣也可加此微信号咨询。
微信扫码或者长按选择识别关注思影
感谢转发支持与推荐
欢迎浏览思影的其他课程以及数据处理业务介绍。（请直接点击下文文字即可浏览，欢迎报名与咨询）：
第二十三届功能磁共振数据处理基础班（南京）
第十二届磁共振脑网络数据处理班(南京）
第十届磁共振弥散张量成像数据处理班
第一届弥散磁共振成像数据处理提高班
第八届磁共振脑影像结构班（南京）
第八届脑影像机器学习班(南京）
第五届任务态fMRI专题班（南京）
第二十五届磁共振脑影像基础班
第二十六届磁共振脑影像基础班（重庆）
第七届脑影像机器学习班（重庆）
第六届磁共振ASL（动脉自旋标记）数据处理班
第五届小动物磁共振脑影像数据处理班（重庆）
第二十四届磁共振脑影像基础班（重庆）
第十七届脑电数据处理班（重庆）
第五届眼动数据处理班（重庆）
第五届脑电数据处理入门班(南京）
第五届脑电信号数据处理提高班（南京）
第十八届脑电数据处理中级班（南京）
第六届近红外脑功能数据处理班（上海）
思影数据处理业务一：功能磁共振（fMRI）
思影数据处理业务二：结构磁共振成像(sMRI)与DTI
思影数据处理业务三：ASL数据处理
思影数据处理业务四：EEG/ERP数据处理
思影数据处理服务五：近红外脑功能数据处理
思影数据处理服务六：脑磁图（MEG）数据处理
招聘：脑影像数据处理工程师（重庆&南京）
