<html><head></head><body style="word-wrap: break-word; -webkit-nbsp-mode: space; -webkit-line-break: after-white-space; "><div><blockquote type="cite"><div><div class="gmail_quote"><blockquote class="gmail_quote" style="margin-top: 0px; margin-right: 0px; margin-bottom: 0px; margin-left: 0.8ex; border-left-width: 1px; border-left-color: rgb(204, 204, 204); border-left-style: solid; padding-left: 1ex; position: static; z-index: auto; "><div><br></div><div>1. For this one particular subject, I'm still seeing the strange negative peak to the chance distribution, even without any z-scoring. The shape looks remarkably similar with or without zscoring (whether I use the raw values or the effect sizes as input). I think my confusion here is, even if I did several things wrong in my code, I'd expect no worse than a regular-old looking chance distribution (centered on 0). There's about 40,000 3.5 isotrophic voxels in that subject's brain mask, so plenty of observations. Just eyeballing, the peak is centered at about -8%, and the bulk (95%) of observations fall between about -32% and +22% … so it's a notable shift. </div>

<div><br></div></blockquote></div></div></blockquote><div><br></div><div>I don't know how exactly these permutations are done nowadays, but couldn't something like this happen if the permutations resulted in unequal number of trials of each type in the new chunks?  I got distributions like this before I enabled the perchunk option in the old v.4 permuteLabels function to ensure trials were balanced.  </div><div><br></div><blockquote type="cite"><div><div class="gmail_quote"><blockquote class="gmail_quote" style="margin-top: 0px; margin-right: 0px; margin-bottom: 0px; margin-left: 0.8ex; border-left-width: 1px; border-left-color: rgb(204, 204, 204); border-left-style: solid; padding-left: 1ex; position: static; z-index: auto; "><div><font class="Apple-style-span" color="#000000"><br></font></div><div>3. I'm using a 3X3 design. So while I technically have 9 unique sounds, for this part of my study I collapse in one direction (fundamental frequency), giving me three classes of sounds (each class of which has a variable fundamental frequency). Each of my 9 runs has the 9 unique sounds, each repeated thrice. My current run-averaging scheme has me breaking up each run into 3 smaller portions ("chunklets" if you will…) by time (early part of the run, middle period, late period) and averaging within a chunklet. What this means is that a single example that is formed within a "chunklet" is made from 3 fMRI volumes, each following a sound from one experimental condition (but from different levels of the orthogonal condition: fundamental frequency). So, from my perspective, I'm feeding the SVM examples which, to my eye, are all "equivalent" - each example represents a single category/level in one dimension, and a "smear" of levels in the other dimension. </div>

<div>A second way I could be doing this, but haven't been, is to not define "chunklets" by time within a run (early, middle, late), but instead by level of the orthogonal condition (low fundamental frequency, mid FF, high FF). A single example for the SVM, after averaging, would then represent sounds from a single experimental condition <i>and</i> a single FF (so not smeared over either dimension). These averaged examples would presumably be <i>cleaner</i> (due to the combining of volumes from identical acoustic stimuli), but would each be less representative of the category-of-interest as a whole. I'm not sure what makes more sense for a support vector machine: to work on cleaner (but less representative) examples, or more variable (but more representative) examples. </div>

</blockquote></div></div></blockquote></div><br><div>Or alternatively don't average among the trials at all and just code each trial for its category of interest? </div><div><br></div><div>-Jonas</div><div><br></div><div><div><span class="Apple-style-span" style="border-collapse: separate; color: rgb(0, 0, 0); font-family: Helvetica; font-size: medium; font-style: normal; font-variant: normal; font-weight: normal; letter-spacing: normal; line-height: normal; orphans: 2; text-indent: 0px; text-transform: none; white-space: normal; widows: 2; word-spacing: 0px; -webkit-border-horizontal-spacing: 0px; -webkit-border-vertical-spacing: 0px; -webkit-text-decorations-in-effect: none; -webkit-text-size-adjust: auto; -webkit-text-stroke-width: 0px; "><div><div>----</div><div>Jonas Kaplan, Ph.D.<br>Research Assistant Professor<br>Brain & Creativity Institute<br>University of Southern California</div></div></span></div><br><div><blockquote type="cite"><div><div class="gmail_quote"><blockquote class="gmail_quote" style="margin-top: 0px; margin-right: 0px; margin-bottom: 0px; margin-left: 0.8ex; border-left-width: 1px; border-left-color: rgb(204, 204, 204); border-left-style: solid; padding-left: 1ex; position: static; z-index: auto; "></blockquote></div></div></blockquote></div></div></body></html>