3會大于5嗎？數字之間的大小由誰決定，能否進行改變呢？
使用具有 20 通道頭部/頸部線圈的 3 T 掃描器（Magnetom Skyra，西門子）進行磁共振成像 (MRI)。
使用 T1-MPRAGE 序列擷取高分辨率全腦解剖圖像。共獲得 176 個矢狀切片（體素大小 1 × 1 × 1.1 mm 3；TR = 2300 ms，TE = 2.98 ms，翻轉角 = 9°）用于與 fMRI 資料的配準。
使用具有以下參數的全腦回波平面脈沖序列 (EPI) 擷取功能性 T2* 權重圖像：
3 mm 各向同性體素，TR = 2000 ms，TE = 30 ms，翻轉角 = 90°，FOV 192 × 192毫米2, GRAPPA 加速因子 2，相位編碼 A/P。
全腦圖像（小腦除外）覆寫有 35 個軸向切片，以交錯、上升的方式拍攝。
每個會話的采集時間為 15 分鐘。由于磁飽和效應，每個會話的前四卷（虛拟掃描）被立即丢棄。
使用功能神經圖像分析 (AFNI) 軟體（Cox 1996）應用标準預處理程式。每個 3D 圖像都經過時移，以便切片在時間上對齊。
頭部運動校正後，功能性 EPI 資料集被配準到結構掃描，并使用 4 mm 的全寬半最大各向同性高斯核進行平滑處理。
位于大腦外部的低信号強度體素通過裁剪功能從功能圖像中排除。
在縮放過程中，計算每個體素的信号變化百分比。解剖和功能圖像被轉換為 Talairach 空間的坐标系（Talairach 和 Tournoux 1988）。
接下來，使用 GIFT 工具箱（Calhoun 等人，2001 年）進行組 ICA。
使用軟體中實施的最小描述長度 (MDL) 标準執行确定元件數量的估計（Li 等人，2007 年）。
ICA 分解的穩定性通過 ICASSO（Himberg 等人，2004 年）進行了驗證，其中對 Infomax 算法進行了 50 次随機初始化。
在穩定性分數不足的情況下，使用與 MDL 标準估計的數字相鄰的數字執行 ICA。
使用gica對資料進行反向重模組化闆選項。檢查組平均圖以識别和丢棄那些主要與人工制品相關的 IC，這些人工制品代表來自大血管、心室、運動和磁化率的信号。
從其餘的 IC 中，時間過程被插值到 100 毫秒分辨率，并且在刺激前 1 到 12 秒提取紀元。
這些紀元通過減去零值進行基線校正。
epochs被分為2×2（準确率×任務）條件并進行統計檢驗。
具體來說，血液動力學響應峰值處的值對每個神經網絡進行了 2 × 2 重複測量方差分析。
與 EEG 資料分析一樣，除了顯着的互動作用外，還需要在每個任務中對正确和錯誤的反應進行重要的事後測試。
揭示決定性能準确性的神經機制是認知神經科學的關鍵概念之一。
與正确的反應相比，較短的反應時間是在典型沖突任務中犯下的錯誤的常見行為特征。然而，人們對這種現象的起源知之甚少。在這項研究中，EEG 和 fMRI 實驗是使用 Stroop 範式的數值版本進行的，産生了獨特的行為結果。
特别是，數值比較中的錯誤比正确的試驗反應時間更短，而實體比較導緻相反的模式。
在探索大腦活動的時間程序時，這種交叉互動作用被用作标記。
将組獨立成分分析應用于神經生理學資料，并對成分的時間過程進行事件相關分析。
結果揭示了一個中央頂葉 EEG 元件和一個颞頂葉 fMRI 神經網絡，它們表現出顯着的任務和準确性互動作用。
中央頂葉 EEG 成分的活動與決策變量信号相關聯，顯示出在反應開始後立即達到峰值的線性增加，這反映了積累證據直至達到動作觸發門檻值的過程。
幅度測量和信号的線性拟合都為數值比較和實體比較之間的顯着特征提供了證據，進而解釋了行為結果：
錯誤是由于積累了支援其他（錯誤的）任務指令的證據而導緻的。
由雙側颞下區和頂内區組成的颞頂網絡結構與最近建立的核心“數字網絡”高度一緻。
這些發現将感覺決策與廣義幅度系統聯系起來，并為人類錯誤的神經決定因素提供了新的見解
一般來說，參與者在 EEG 實驗中犯了 7.8% 的錯誤和 0.5% 的遺漏，在 fMRI 實驗中犯了 11.4% 的錯誤和 5.3% 的遺漏。
一緻性條件對錯誤率和 RT 的主要影響證明了沖突的發生
由于大多數錯誤都是在不一緻的試驗中犯下的，是以可以僅根據不一緻的試驗進行進一步的行為、EEG 和 fMRI 資料分析。
數字任務比實體任務引起更多錯誤。
F (1,33) = 161；p < 0.001；
fMRI：F (1,33) = 295，p < 0.001）。
特别是，實體任務中的錯誤比正确的試驗具有更長的 RT，而數值任務中的錯誤顯示出相反的模式。
此外，在比較每項任務中的命中與錯誤時，觀察到 RT 中顯着且相反的模式
