（1）用NBS toolbox做功能连接与量表的相关性分析是否为选择其one-sample test，设计矩阵和contrast同FSL的Single-Group Average with Additional Covariate https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/GLM#Single-Group_Average_with_Additional_Covariate（2）另外在NBS中输入的design matrix中那些变量，如年龄，量表评分是否也需要输入去均值后的值？（3）NBS是否也可以做2-factors 2-levels的分析，同FSL？
（1）选择t-test，设计矩阵和contrast同FSL，你可以参考NBS作者本人的回答：https://www.nitrc.org/forum/forum.php?thread_id=3761&forum_id=3444
（2）去除均值是否对结果（p值）有影响取决于你的contrast，不过一般去掉总是没有问题的。
（3）我觉得是的。在NBS图形界面Help按钮里给了一个2x2 ANCOVA的例子。
感恩！谢谢老师！
老师，NBS校正是否比FDR校正宽松一些？我发现一点 计算人数多的时候（150以上）NBS有结果，FDR没有，人数相对少的时候（100以下）FDR有，NBS没有，是有这样的特点吗。。
（1）NBS和FDR检验的是不同的东西，FDR是对单条边的检验，也就是说如果FDR有结果，你可以下的结论是每条边是显著的；NBS是检验的相互连接的边的数量是否显著，如果NBS显著，你也没办法下结论说哪一条边是显著的。
（2）如果是用NBS包的FDR校正，一定要把置换次数设置得非常高才能得到稳定结果，比如置换次数>100000，而如果是NBS校正，只需要5000即可。因为FDR基于p值的分布，而置换检验得到的p值每次都不一样。
谢谢老师！感觉这个100000次还真是非常高了，这个数字和什么有关？边的数量吗？是不是说结果稳定了但是这个结果检出率是不是低了，或者是容易出现假阴性
另外，FWE校正中置换检验的次数在设置上和这两个相比有什么特点吗
和p值的精度有关，因为置换次数有限，所以p值本身也是估计值，置换次数越大，p值精度越高，FDR的结果越不容易受到影响。你可以看看软件作者本人的回答（我这里只是随便搜了一个，实际上相关的讨论很多）：https://www.nitrc.org/forum/message.php?msg_id=9991
老师 还想请教下功能连接相关值正负的解释，假设组间比较发现实验组功能连接降低，假设对照组该连接均值为0.3，实验组降低为-0.3，理解为从功能同步变成功能竞争？
功能连接可以直接做组间比较吗，就是说是否要先验证功能连接是有意义的（就是这两个脑区存在有意义的相关） 然后组间比较的差异才是有意义的
（1）我只能按照我目前的理解说一下看法，不过我看的文献有限，关于负功能连接问题本身的文献就更少了。负功能连接最早引起关注可能应该追溯到Fox et al. (2005)。在这篇文献里，作者观察到默认网络和注意等网络的功能连接是负的。但是后来的方法学研究表明，这种负功能连接主要是由于回归了global signal导致的，实际上全脑功能连接基本上都是正的，即使是负连接也是微弱的负连接（可能是噪声），可以参考Buckner & DiNicola (2019)中关于anticorrelation一段的内容。所以你在预处理的时候是否做了global signal regression？
Fox, M. D., Snyder, A. Z., Vincent, J. L., Corbetta, M., Van Essen, D. C., & Raichle, M. E. (2005). The human brain is intrinsically organized into dynamic, anticorrelated functional networks. Proceedings of the National Academy of Sciences, [i]102/i, 9673-9678.
Buckner, R. L., & DiNicola, L. M. (2019). The brain’s default network: updated anatomy, physiology and evolving insights. Nature Reviews Neuroscience, [i]20/i, 593-608.
（2）可以直接做组间比较，也可以过滤掉一部分比较弱的连接再做比较。如果你是用显著性来衡量是否有意义（比如，先做一个单样本T），要注意显著性往往跟样本量有关，如果你的样本量很小，即使“有意义”的连接也是不显著的。