3会大于5吗？数字之间的大小由谁决定，能否进行改变呢？
使用具有 20 通道头部/颈部线圈的 3 T 扫描仪（Magnetom Skyra，西门子）进行磁共振成像 (MRI)。
使用 T1-MPRAGE 序列获取高分辨率全脑解剖图像。共获得 176 个矢状切片（体素大小 1 × 1 × 1.1 mm 3；TR = 2300 ms，TE = 2.98 ms，翻转角 = 9°）用于与 fMRI 数据的配准。
使用具有以下参数的全脑回波平面脉冲序列 (EPI) 获取功能性 T2* 加权图像：
3 mm 各向同性体素，TR = 2000 ms，TE = 30 ms，翻转角 = 90°，FOV 192 × 192毫米2, GRAPPA 加速因子 2，相位编码 A/P。
全脑图像（小脑除外）覆盖有 35 个轴向切片，以交错、上升的方式拍摄。
每个会话的采集时间为 15 分钟。由于磁饱和效应，每个会话的前四卷（虚拟扫描）被立即丢弃。
使用功能神经图像分析 (AFNI) 软件（Cox 1996）应用标准预处理程序。每个 3D 图像都经过时移，以便切片在时间上对齐。
头部运动校正后，功能性 EPI 数据集被配准到结构扫描，并使用 4 mm 的全宽半最大各向同性高斯核进行平滑处理。
位于大脑外部的低信号强度体素通过裁剪功能从功能图像中排除。
在缩放过程中，计算每个体素的信号变化百分比。解剖和功能图像被转换为 Talairach 空间的坐标系（Talairach 和 Tournoux 1988）。
接下来，使用 GIFT 工具箱（Calhoun 等人，2001 年）进行组 ICA。
使用软件中实施的最小描述长度 (MDL) 标准执行确定组件数量的估计（Li 等人，2007 年）。
ICA 分解的稳定性通过 ICASSO（Himberg 等人，2004 年）进行了验证，其中对 Infomax 算法进行了 50 次随机初始化。
在稳定性分数不足的情况下，使用与 MDL 标准估计的数字相邻的数字执行 ICA。
使用gica对数据进行反向重建模板选项。检查组平均图以识别和丢弃那些主要与人工制品相关的 IC，这些人工制品代表来自大血管、心室、运动和磁化率的信号。
从其余的 IC 中，时间过程被插值到 100 毫秒分辨率，并且在刺激前 1 到 12 秒提取纪元。
这些纪元通过减去零值进行基线校正。
epochs被分为2×2（准确率×任务）条件并进行统计检验。
具体来说，血液动力学响应峰值处的值对每个神经网络进行了 2 × 2 重复测量方差分析。
与 EEG 数据分析一样，除了显着的交互作用外，还需要在每个任务中对正确和错误的反应进行重要的事后测试。
揭示决定性能准确性的神经机制是认知神经科学的关键概念之一。
与正确的反应相比，较短的反应时间是在典型冲突任务中犯下的错误的常见行为特征。然而，人们对这种现象的起源知之甚少。在这项研究中，EEG 和 fMRI 实验是使用 Stroop 范式的数值版本进行的，产生了独特的行为结果。
特别是，数值比较中的错误比正确的试验反应时间更短，而物理比较导致相反的模式。
在探索大脑活动的时间进程时，这种交叉交互作用被用作标记。
将组独立成分分析应用于神经生理学数据，并对成分的时间过程进行事件相关分析。
结果揭示了一个中央顶叶 EEG 组件和一个颞顶叶 fMRI 神经网络，它们表现出显着的任务和准确性交互作用。
中央顶叶 EEG 成分的活动与决策变量信号相关联，显示出在反应开始后立即达到峰值的线性增加，这反映了积累证据直至达到动作触发阈值的过程。
幅度测量和信号的线性拟合都为数值比较和物理比较之间的显着特征提供了证据，从而解释了行为结果：
错误是由于积累了支持其他（错误的）任务指令的证据而导致的。
由双侧颞下区和顶内区组成的颞顶网络结构与最近建立的核心“数字网络”高度一致。
这些发现将感知决策与广义幅度系统联系起来，并为人类错误的神经决定因素提供了新的见解
一般来说，参与者在 EEG 实验中犯了 7.8% 的错误和 0.5% 的遗漏，在 fMRI 实验中犯了 11.4% 的错误和 5.3% 的遗漏。
一致性条件对错误率和 RT 的主要影响证实了冲突的发生
由于大多数错误都是在不一致的试验中犯下的，因此可以仅根据不一致的试验进行进一步的行为、EEG 和 fMRI 数据分析。
数字任务比物理任务引起更多错误。
F (1,33) = 161；p < 0.001；
fMRI：F (1,33) = 295，p < 0.001）。
特别是，物理任务中的错误比正确的试验具有更长的 RT，而数值任务中的错误显示出相反的模式。
此外，在比较每项任务中的命中与错误时，观察到 RT 中显着且相反的模式
