多重校正

1.Bonferroni校正：用0.05除去多重比较的数目，得到一个比较低的阈限。（苛刻，只在数目比较少时用）

2.错误发现率（False Discovery Rate，FDR）校正：将所有样本（voxel）的p值进行从小到大排序，找到第n个p值超过n*0.05/N。如果样本里p值低的voxel数量越多，n就越大，最终校正的p也越高（接近0.05），设想如果所有的p值都小于0.05，那么n=N，校正的p还是0.05；如果只有1个p值很小，那么校正的p=0.05/N，就是经典的bonferroni校正。

3.cluster分析：采用蒙特卡洛的方法生成零分布，foci（坐标，应该是和真是坐标数目相同）随机分布在全脑中，每一次都会有一个全脑的激活图，经过非矫正或者FDR的阈限后，把cluster的最大值取出作为一个case，然后随机有多少次就有多少个这样的case，构成了null distribution。然后比较实际的激活结果里面的cluster和这个分布中前5%大的cluster（cluster阈限），去掉小于null分布前5%的cluster，就是cluster校正的结果。所以voxel有一个阈限设定，cluster也有一个阈限设定

4.Permutation校正：通过对条件和具体值进行任意的匹配，得到的是一个随机分布的零分布，考察得到的真实数据在这一分布中的位置，进行一个排序（permutation），如果在分布的两极（单侧5%或者双侧2.5%），则认为真实数据不属于随机的零分布，而是符合预期的假设