Page 136 - Stefano Rastelli (a cura di), La ricerca sperimentale sul linguaggio: acquisizione, uso, perdita, Pavia, Pavia University Press, 2013

118 G. Egidi, U. Hasson

risultati possono essere generalizzati all’intera popolazione. L’analisi di secondo
livello richiede che i dati di tutti i partecipanti dell’esperimento vengano riportati a
uno spazio anatomico comune come, per esempio, quello convenzionale Talairach
(Talairach, Tournoux 1988). L’analisi a questo livello consiste nel condurre
un’analisi voxel per voxel a livello del gruppo per stabilire se i coefficienti di
regressione per una data condizione sono positivi o negativi e se ci sono
differenze tra coefficienti di regressione di condizioni diverse. Si possono poi
considerare i risultati dell’intero cervello (whole-brain analysis), così da
individuare ampi network di attivazione, o quelli di regioni individuali (region-
of-interest analysis o più comunemente ROI analysis) se si hanno ipotesi specifiche
sul ruolo di queste regioni nello svolgimento della funzione studiata.
Poiché nelle analisi di primo livello e in quelle whole-brain di secondo livello
il GLM si applica a tutti i voxel di ciascun partecipante, che sono decine di
migliaia, la probabilità che si verifichino falsi positivi è molto alta. Per esempio,
se si adotta il livello tipico di falso positivo del 5%, considerando che il test si
applica a 40.000 voxel circa, 2.000 di questi possono dare un falso positivo. Per
questa ragione, nell’analisi di gruppo whole-brain si usano metodi di correzione
per confronti multipli. Una tecnica che sta prendendo sempre più piede negli
studi sul linguaggio consiste nell’identificare non voxel singoli che mostrano un
effetto sperimentale, ma gruppi di voxel contigui che mostrano l’effetto. Questo
metodo è basato su tecniche di simulazione (come, per esempio, simulazioni
Monte Carlo, Forman et al. 1995) che permettono di individuare a priori il
numero minimo di voxel contigui che devono passare una soglia statistica
prestabilita al livello del voxel e del gruppo di voxel perché la probabilità di
incorrere in falsi positivi sia ragionevole. I gruppi di voxel attivi individuati con
questo metodo (o altri) sono riportati negli articoli col nome di cluster e
l’operazione di individuazione di questi cluster è chiamata clusterizzazione (per
l’uso di simulazioni di Monte Carlo per clusterizzazioni in studi sul linguaggio
si vedano, per esempio, Dick et al. 2012; Graves et al. 2010; Kuperberg et al. 2006;
Yarkoni et al. 2008; Yue et al. 2013). I risultati riportati negli articoli di fMRI sono
pertanto mappe statistiche che mostrano come zone colorate i cluster individuati
dall’analisi di secondo livello.
Prima di essere analizzati statisticamente, i dati vengono sottoposti a operazioni
cosiddette di pre-processing, che includono ricostruzione delle immagini, riduzione
del rumore (soprattutto i movimenti della testa), varie fasi di co-allineamento delle
immagini funzionali e strutturali, normalizzazione e smoothing (una forma di
filtraggio spaziale) per ciascun partecipante individualmente. Poiché consiste nel
calcolo di una media dei segnali raccolti su voxel adiacenti, la fase di smoothing in