随着脑成像的数据不断增长，在统一的框架内对这些数据进行有效的整合及比对就显得越发重要。统计参数图(Statistical Parametric Mapping，SPM)提供了一种被广泛接受的基本概念，这种概念可以用来处理各种不同形式的数据。

本书不仅阐述了脑信号分析的概念和过程，还介绍了各种脑成像数据分析的背景和方法，从fMRI到脑磁描记法(magnetoencephalography)，这些信息通过其他途径很难获得。本书可用作学生教材，对于刚刚接触此项技术的科研人员和实验神经生物学家都是非常好的参考书，还可作为脑成像数据分析软件包的使用手册使用。

致谢

第一部分 导论

　1 SPM简史

　2 统计参数图

　3 脑反应建模

第二部分 计算解剖学

　4 刚体配准

　5 非线性配准

　6 图像分割

　7 基于像素的形态计量学

第三部分 广义线性模型

　8 广义线性模型

　9 对照和经典推断

　10 协方差成分

　11 分层模型

　12 随机效应分析

　13 方差分析

　14 fMRI卷积模型

　15 fMRI有效实验设计

　16 EEG和MEG的分层模型

第四部分 经典推断

　17 参数方法

　18 随机场理论

　19 拓扑推断

　20 错误发现率方法

　21 非参数方法

第五部分 贝叶斯推断

　22 经验贝叶斯和分层模型

　23 后验概率图

　24 变分贝叶斯

　25 fMRI时空模型

　26 EEG时空模型

第六部分 生理物理模型

　27 fMRI的正演化模型

　28 EEG的正演化模型

　29 EEG模型的贝叶斯反演

　30 诱发反应的贝叶斯反演

　31 群体动力学的神经元模型

　32 能量学的神经元模型

　33 EEG和MEG的神经元模型

　34 动力学模型的贝叶斯反演

　35 贝叶斯模型的选择和平均

第七部分 大脑连接

　36 功能整合

　37 功能连接：特征图像和多元分析

　38 有效连接

　39 非线性连接与核

　40 多元自回归模型

　41 fMRI的动态因果模型

　42 EEG的动态因果模型

　43 动态因果模型和贝叶斯模型的选择

附录

　附录1 广义线性模型和推断

　附录2 动力系统

　附录3 EM算法

　附录4 拉普拉斯近似下的变分贝叶斯方法

　附录5 卡曼滤波