1. 数据集名称:

The Amsterdam Open MRI Collection，AOMIC

2.数据集基本情况:

•项目背景:

–AOMIC由University of Amsterdam收集数据，旨在研究人类行为和心理过程的结构和功能相关性。采用AOMIC数据发了一些文章后，他们决定公开数据便于神经影像学界研究。

•数据组成：

–AOMIC由三个数据集组成：ID1000，PIOP1和PIOP2

•数据类型:

–核磁共振图像

–被试者的人口学特征（年龄，性别，宗教等）

–心理数据：智力、性格等

–除了原始数据外，还提供预处理后的数据（VBM，Fmriprep，Freesurfer等）

3.ID1000数据集基本情况:

•核磁共振图像类型:

–3次T1-weighted扫描, 3次difusion-weighted扫描, 1次functional (BOLD)扫描（在Functional扫描过程中，被试者观看22个连续自然场景，记录大脑核磁共振图像）。

•样本描述:

–ID1000数据收集于2010～2012年

–共记录992名受试者数据，其中928名被纳入数据集

–在教育水平上代表荷兰的总体人口

–年龄范围：19～26岁（减少衰老对大脑的影响）

•下载链接（90GB）:

https://openneuro.org/datasets/ds003097/versions/1.2.1/download

•已有研究:

–分析了20名受试者的functional核磁共振成像数据，利用表象相似性分析方法，将应用于电影数据的计算模型的特征与voxelwise 时间序列联系起来。（Ramakrishnan, K., Scholte, H. S., Groen, I. I. A., Smeulders, A. W. M. & Ghebreab, S. Visual dictionaries as intermediate features in the human brain. Front. Comput. Neurosci. 8, 168 (2014).

–分析了508 名受试者的自闭症特征与VBM（从T1-weighted扫描中得出）以及fractional anisotropy（FA，从Diffusion-Weighted扫描中得出）之间的关系。（Koolschijn, P. C. M. P., Geurts, H. M., van der Leij, A. R. & Scholte, H. S. Are Autistic Traits in the General Population Related to Global and Regional Brain Diferences? J. Autism Dev. Disord. 45, 2779–2791 (2015).）

4.PIOP1与PIOP2数据集基本情况:

•核磁共振图像类型:

–PIOP1数据：1次T1-weighted扫描, 1次difusion-weighted扫描, 6次functional (BOLD)扫描（被试者要求完成6项任务，包含Gender-Stroop Test，Emotion matching等，记录核磁共振图像）。

–PIOP2数据：1次T1-weighted扫描, 1次difusion-weighted扫描, 4次调整了角度的functional (BOLD)扫描（被试者要求完成4项任务，包含Resting State，Emotion matching等，记录核磁共振图像），调整角度旨在尽可能将眼睛排除在外，以减少眶额皮层的信号丢失，采用2次额外扫描确定实际角度。

•样本描述:

–PIOP1数据收集于2015.5～2016.4，PIOP2收集于2017.3～2017.7

–PIOP1共记录248名受试者数据，其中216名被纳入数据集；

PIOP2共记录242名受试者数据，其中226名被纳入数据集

–被试者均来自the Amsterdam University of Applied Sciences或the University of Amsterdam

–年龄范围：18.25～26.25岁

•下载链接:

–PIOP1（117GB）：

https://openneuro.org/datasets/ds002785/versions/2.0.0/download

–PIOP2（53GB）：

https://openneuro.org/datasets/ds002790/versions/2.0.0/download

•已有研究:

–利用T1-weighted数据（特别是VBM）和Diffusion-Weighted数据（特别是TBSS）以及受试者自我报告的生理性别，对神经影像数据解码分析中校正混杂因素的方法进行了经验性测试。(Snoek, L., Miletić, S. & Scholte, H. S. How to control for confounds in decoding analyses of neuroimaging data. Neuroimage 184,741–760 (2019).)

–对宗教评分（religiosity scores）进行了voxel-wise的VBM分析(van Elk, M. & Snoek, L. Te relationship between individual diferences in gray matter volume and religiosity and mystical experiences: A preregistered voxel-based morphometry study. Eur. J. Neurosci. 51, 850–865 (2020).)

–将宗教信仰数据与性别-stroop的functional磁共振成像数据中的一致-不一致活动差异联系起来。(Hoogeveen, S., Snoek, L. & van Elk, M. Religious belief and cognitive confict sensitivity: A preregistered fMRI study. Cortex 129, 247–265 (2020).)

–探索计算脑年龄的多种算法：检验可靠性与人口统计学的关系以及预测能力.(Bacas, Eva & Kahhalé, Isabella & Raamana, Pradeep & Pablo, Julian & Anand, Apurvaa & Hanson, Jamie. (2023). Probing multiple algorithms to calculate brain age: Examining reliability, relations with demographics, and predictive power. Human brain mapping. 44. 10.1002/hbm.26292. )

5.文献出处：

Snoek, L., van der Miesen, M. M., Beemsterboer, T., Van Der Leij, A., Eigenhuis, A., & Scholte, H. S. (2021). The Amsterdam Open MRI Collection, a set of multimodal MRI datasets for individual difference analyses. Scientific data, 8(1), 1-23.

6.可研究方向：

•同类人群在执行特定任务时的核磁共振图像变化

•不同人口学和心理学特征人口的核磁共振图像比较