<div>
<span style="font-size:16.0pt;line-height:115%;font-family:"Times New Roman","serif"">Ok, so here you have the description. I hope it is not a problem to be so long! :) </span>
<span style="font-size:16.0pt;line-height:115%;font-family:"Times New Roman","serif""><br></span></div><div><span style="font-size:16.0pt;line-height:115%;font-family:"Times New Roman","serif""><br>
</span></div><div><span style="font-size:16.0pt;line-height:115%;font-family:"Times New Roman","serif""><br></span></div><div><span style="font-size:16.0pt;line-height:115%;font-family:"Times New Roman","serif"">The subjects of our experiment see two types of video clips.
One type is dangerous car accidents and the other is normal car advertisements.
We have number of subjects perform this task with one session per subject. Each
run consists of 6 clips from each type,<span dir="RTL"> </span>the two successive
spots are separated by black screen and a yellow cross to fix the subjects
eyes. There was not a specific order of the spots but more than two successive
ones of the same<span dir="RTL"> </span>type were not allowed. All videos
were accompanied with voice, so we have visual and audio stimulation.</span></div><div><span style="font-size:16.0pt;line-height:115%;font-family:"Times New Roman","serif""><br></span></div><div><span style="font-size:16.0pt;line-height:115%;font-family:"Times New Roman","serif"">Attached with this email a table of onsets,durations and indices of both conditions. </span><span style="font-size:16.0pt;line-height:115%;font-family:"Times New Roman","serif""><br>
</span></div><div><span style="font-size:16.0pt;line-height:115%;font-family:"Times New Roman","serif""><br></span></div>

<div><b><span style="font-size:16.0pt;font-family:"Times New Roman","serif"">TR (scan repeat time) = 3000 ms.
Functional measurement consists of 220 scans.</span></b></div><div><b><span style="font-size:16.0pt;font-family:"Times New Roman","serif""><br></span></b></div><div><span style="font-size:16.0pt;font-family:"Times New Roman","serif"">Here is a formulation of the steps needed to be done in the analysis:</span><b><span style="font-size:16.0pt;font-family:"Times New Roman","serif""><br>
</span></b></div>

<p class="MsoNormal" style="text-align:justify;text-justify:kashida"><span style="font-size:16.0pt;line-height:115%;font-family:"Times New Roman","serif""><br>
The GLM analysis that needs to be performed to get the beta estimates is a
multiple regression analysis. In other words, I need to specify a model that
includes predictors (one predictor for each condition, a confound-mean
predictor (all-one vector), and optionally head-motion and trend predictors),
and then to fit this model to the data to obtain the beta-estimates.<br>
<br>
In order to run the GLM, I first need to assemble the model. For this, I can
use the list containing the onsets and durations and indices of the
stimuli.  The next step is to create a predictor for each condition. For
each condition, I start off with a vector (220 elements, one for each
timepoint) of zeros, then I put ones at those timepoints at which that specific
condition was presented. After that, I convolve these predictors with the
hemodynamic response function (2-gamma or Boynton) to make the predictors
resemble the timing and shape of BOLD measurements. I can add additional
predictors to the model, i.e. nuisance predictors that model out effects of
motion and slowly-varying trends. I also have to include a confound-mean
predictor (i.e. an all-one vector) to model the mean level of brain activation.
All predictors together form the<span dir="RTL"> </span>model. <br>
<br></span></p><div><span style="font-size:16.0pt;line-height:115%;font-family:"Times New Roman","serif"">
Since the block durations are not multiples of the TR, it is needed to convolve
the hemodynamic response function with the cognitive predictors (one for
condition 1, and one for condition 2) at millisecond resolution, and then to
subsample the result to get the predicted response at the TR resolution (one
measurement each 3 s).</span></div><div><span style="font-size:16.0pt;line-height:115%;font-family:"Times New Roman","serif""><br></span></div><div>


<p class="MsoNormal" align="center" style="text-align:center"><b><span style="font-size:16.0pt;line-height:115%;font-family:"Times New Roman","serif"">QUESTIONS</span></b></p>

<p class="MsoNormal" align="center" style="text-align:center"><b><span style="font-size:16.0pt;line-height:115%;font-family:"Times New Roman","serif""> </span></b></p>

<p class="MsoNormal" style="text-align:justify"><span style="font-size:18.0pt;line-height:115%;font-family:"Times New Roman","serif"">There
is a very unclear thing to me relating to predictors. What should I do exactly
in multiplying the HRF with the cognitive predictors? I mean, how the cognitive
predictors can be created using the data i have? And also the HRF function.
Then what are the steps needed to do the subsample?</span></p></div><div><span style="font-size:18.0pt;line-height:115%;font-family:"Times New Roman","serif""><br></span></div><div><b><span style="font-size:18.0pt;line-height:115%;font-family:"Times New Roman","serif""><br>
</span></b></div><div><b><span style="font-size:18.0pt;line-height:115%;font-family:"Times New Roman","serif""><br></span></b></div><div><b><span style="font-size:18.0pt;line-height:115%;font-family:"Times New Roman","serif""><br>
</span></b></div><div><b><span style="font-size:18.0pt;line-height:115%;font-family:"Times New Roman","serif""><br></span></b></div><div><b><span style="font-size:18.0pt;line-height:115%;font-family:"Times New Roman","serif""><br>
</span></b></div><div>

<p class="MsoNormal" style="text-align:justify"><span style="font-size:16.0pt;line-height:115%;font-family:"Times New Roman","serif""> </span></p><span style="font-size:16.0pt;line-height:115%;font-family:"Times New Roman","serif""><br>
</span></div><br><div class="gmail_quote"><blockquote class="gmail_quote" style="margin:0 0 0 .8ex;border-left:1px #ccc solid;padding-left:1ex"><div class="HOEnZb"><div class="h5"><br>
</div></div></blockquote></div><br>