1. 为什么还写这套SPM12的批处理脚本
1.1 它解决什么问题
MATLAB配合SPM12做fMRI预处理，算是神经影像老牌组合了。这两年虽然fMRIPrep、Nipype这类工具越来越流行，但很多课题组的老数据、旧脚本、以及正在跑的纵向研究，仍然跑在SPM12这套流程上。我的情况跟很多同行类似：手头有一大批.nii.gz格式的fMRI数据，需要跑完从时间层校正到空间平滑这一整套标准预处理，而实验室服务器上又只有MATLAB和SPM12，没有配Python环境，更没有fMRIPrep容器。这时候，一套自己写的批量预处理脚本就成了刚需。
这套脚本解决的核心问题有两个。第一，把SPM12图形界面里点点点的操作变成命令行批量执行，几十个被试一次性跑完，不用守在电脑前手动点上千次按钮。第二，处理最常见的压缩格式.nii.gz，SPM12自身识别这种压缩格式偶尔会出问题，所以脚本里要先做解压和整理，把这些“脏活”一并自动化。它不是什么高深的东西，但在只有MATLAB的老环境下，这套办法是最省事、最可靠的一条路。
1.2 适合谁来看这篇东西
如果你正准备用SPM12做一批fMRI数据的预处理，尤其是手头有旧版本SPM12、数据是压缩格式、或者需要批量处理多个被试，这篇内容应该能帮你省下不少折腾的时间。我下面写的脚本思路和代码，不是拿过来就能复制的成品，而是一个可以照着改、照着拼的框架。你需要根据自己的数据实际情况调整TR、扫描层数、参考图像、分割模板路径等参数，但整体流程和坑点我都替你踩过一遍了。
2. 数据准备与预处理流程设计
2.1 数据目录先整理对，后面才省心
拿到一批.nii.gz格式的数据，第一件事不是写预处理脚本，而是先把数据目录整理成统一的结构。我最开始图省事，数据直接从服务器上拷下来一股脑丢进一个文件夹，结果后面的批量循环脚本写得一脸懵，因为不同被试的文件命名规则不统一。后来老老实实按下面的结构重排了一遍，一切顺畅多了。
project_dir/ raw/ sub-01/ func/ sub-01_task-rest_run-1_bold.nii.gz sub-01_task-rest_run-2_bold.nii.gz anat/ sub-01_T1w.nii.gz sub-02/ func/ ... anat/ ... preprocess/ sub-01/ sub-02/这一步花不了多少时间，但能帮你少掉至少三成调试脚本的精力。凡是涉及批处理的任务，目录结构就是地基，地基不稳，后面全白搭。
实际整理的时候，我会先写一个极简的MATLAB脚本，读入原始文件夹下的子目录列表，然后用movefile把每个被试的functional和anatomical文件分别挪到对应位置。这一步不需要什么高级技巧，核心逻辑就是两步：读目录、挪文件。实际上我更推荐在处理之前用Python的os.rename来做，但如果你只有MATLAB，用movefile也一样，只是记得在循环里用fullfile拼路径。
2.2 预处理流程的六个核心环节
SPM12的fMRI预处理，一般围绕下面六个环节展开。我用的这套旧版SPM12流程，顺序是固定的，每个环节之间的依赖关系也很明确。
时间层校正（Slice Timing）：fMRI扫描是分层采集的，不同层面的获取时间点不一样，所以需要校正到同一个参考时间点。这一步需要明确的参数有两个，一个是TR（重复时间，即扫描一个完整脑体积所需的时间），另一个是扫描层数以及各层之间的采集顺序。如果你的数据是隔层采集，这里填错了，后面的时间序列分析基本就废了。
头动校正（Realign）：被试在扫描仪里不可能完全不动，头动会造成不同时间点上同一体素采集到的组织不一致。Realign的核心操作是把所有时间点上的图像配准到第一个时间点（或者平均图像）上，输出六个头动参数（三个平移、三个旋转）。这六个参数后面做回归分析时也是重要协变量，所以一定要保存。
配准（Coregister）：这一步是把功能像和结构像对齐，让fMRI数据能叠加到高分辨率的T1像空间里。核心是选择参考图像（通常是T1像）和源图像（通常是平均功能像），其他文件跟着源图像一起变换。这里最常见的坑是忘记把source文件选对，导致功能像和结构像没对齐。
分割（Segment）：把T1结构像分割成灰质、白质、脑脊液等组织类别。SPM12的分割过程还会同时计算一个从个体空间到标准空间的变形场（deformation field），这个文件是下一步归一化必需的。
归一化（Normalize）：利用上一步生成的变形场，把每个被试的功能像和结构像都配准到标准空间（MNI空间）。这一步的关键是选择“写出的文件”（write）而不是重新估计参数，否则会重复计算变形场，浪费时间。
空间平滑（Smooth）：对归一化后的功能像做高斯核平滑，提高信噪比。最常见的参数是FWHM（半高全宽），一般设置为[6 6 6]，但具体要看你的体素大小和分析目的，后面我会详细说怎么选。
一段流程走完，每个人脑都落在同一个标准空间里，不同被试、不同组之间的数据就有了可比性。研究套路深不深另说，这一步的标准程度直接影响后面统计结果的可靠性。
3. 批量预处理脚本的核心实现
3.1 脚本整体骨架
先看一下我用的脚本整体结构。这个脚本不是一次写完的，中间改了很多版，目前这套是在MATLAB R2016b和SPM12旧版（r7219）环境下跑的。如果你用的是更新版本，个别函数接口可能有差异，但整体逻辑完全可以移植。
% 主脚本: spm12_batch_preprocess.m % 功能: 批量fMRI预处理 (.nii.gz) for SPM12旧版 % 环境: MATLAB R2016b+, SPM12 r7219 clear; clc; % 设置SPM路径 spm_path = '/path/to/spm12'; addpath(spm_path); spm('defaults', 'FMRI'); % 设置fMRI默认参数 spm_jobman('initcfg'); % 初始化job管理器 % -------------------------- % 1. 配置全局参数 % -------------------------- TR = 2.0; % 重复时间，单位秒 num_slices = 32; % 扫描层数 slice_order = 'interleaved'; % 隔层采集 ref_slice = 16; % 参考层，通常取中间层 smooth_kernel = [6 6 6]; % 平滑核大小 data_root = '/data/project'; output_root = '/data/project/preprocess'; % 获取所有被试列表 subject_list = dir(fullfile(data_root, 'raw', 'sub-*')); n_subjects = length(subject_list); % -------------------------- % 2. 逐被试处理 % -------------------------- for subj = 1:n_subjects fprintf('Processing %s (%d/%d)\n', subject_list(subj).name, subj, n_subjects); subj_dir = fullfile(data_root, 'raw', subject_list(subj).name); out_dir = fullfile(output_root, subject_list(subj).name); if ~exist(out_dir, 'dir'); mkdir(out_dir); end % 2.1 解压 .nii.gz gunzip_files(subj_dir); % 2.2 生成各步骤的matlabbatch run_preprocessing_pipeline(subj_dir, out_dir, TR, num_slices, slice_order, ref_slice, smooth_kernel); end fprintf('All done.\n');这段主脚本的核心逻辑就是一个循环加上两个自定义函数：gunzip_files负责解压，run_preprocessing_pipeline负责生成并运行各步骤的SPM批处理任务。后面我会把这两个函数的关键代码展开。
3.2 解压.nii.gz，这一步为什么不能省
SPM12在读取.nii.gz压缩格式时，不同版本的支持情况不一样。我用的这套旧版经常出现“can't open file”或者读到一半报错的情况，所以稳妥起见，第一步先把所有.nii.gz解压成.nii，再让SPM去读。
解压函数没什么技术含量，但有几个细节值得注意。第一，解压前先检查目标文件是否已经存在，避免重复解压浪费磁盘IO。第二，解压后要删除原来的.nii.gz文件吗？我的建议是别删，留着原始备份，万一处理过程出问题还能重新来过。第三，解压后的文件命名要和原文件严格一致，只去掉.gz后缀，不额外改动文件名。
function gunzip_files(subj_dir) % 递归找出所有.nii.gz文件 file_list = dir(fullfile(subj_dir, '**', '*.nii.gz')); for i = 1:length(file_list) src_file = fullfile(file_list(i).folder, file_list(i).name); [path, name, ext] = fileparts(src_file); % ext = '.gz' [~, base_name] = fileparts(name); % 去掉.nii后缀 target_file = fullfile(path, [base_name, '.nii']); % 如果已经解压过，跳过 if exist(target_file, 'file') fprintf(' [skip] %s already exists\n', target_file); else fprintf(' [gunzip] %s\n', src_file); gunzip(src_file); end end end用fileparts处理文件名时要注意，name变量拿到的其实是“xxx.nii”，还需要再套一次fileparts才能拿到“xxx”这个纯文件名。这个细节我一开始没注意，解压出来的文件全是乱名，后来用[~, base_name] = fileparts(name)处理了一下才解决问题。
3.3 每个预处理步骤的matlabbatch怎么写
SPM的批处理本质上是构造一个叫matlabbatch的MATLAB结构体，然后调用spm_jobman('run', matlabbatch)执行。这个结构体长得跟SPM图形界面上点出来的配置是一一对应的，所以最保险的写法是先在图形界面上手动配置一次，然后保存batch文件，直接看SPM生成了什么结构，照着改就行。
下面是run_preprocessing_pipeline函数的核心代码，我按步骤拆开讲。
步骤一：Slice Timing
matlabbatch{1}.spm.temporal.st.scans = { {func_files} }; % 所有功能像文件，每一卷作为一个cell matlabbatch{1}.spm.temporal.st.nslices = num_slices; matlabbatch{1}.spm.temporal.st.tr = TR; matlabbatch{1}.spm.temporal.st.ta = TR - TR/num_slices; matlabbatch{1}.spm.temporal.st.so = slice_order_vector; % 实际采集顺序，例如1:2:32, 2:2:32 matlabbatch{1}.spm.temporal.st.refslice = ref_slice; matlabbatch{1}.spm.temporal.st.prefix = 'a';这里有个参数值得一提：ta（temporal acquisition）表示一次完整体积采集时间内，实际用于采集的时间长度。公式是ta = TR - TR/num_slices，这个值SPM不会自动帮你算，必须手动填。忘了填或者填错的后果，就是时间层校正的结果会整体偏移，看起来处理完了，实际上校正了个寂寞。
slice_order_vector需要根据实际的采集方式生成。对于隔层采集（interleaved），常见序列是奇数层先采、偶数层后采，对应向量应该是[1:2:num_slices, 2:2:num_slices]。如果是连续采集（sequential），就是1:num_slices。这个信息可以从扫描仪的参数里查到，或者用dcm2niix转换数据的时候，输出信息里一般会带着。
步骤二：Realign
matlabbatch{2}.spm.spatial.realign.estwrite.data = { {func_files} }; matlabbatch{2}.spm.spatial.realign.estwrite.eoptions.rtm = 1; % 重对齐到平均图像 matlabbatch{2}.spm.spatial.realign.estwrite.eoptions.interp = 4; % 4阶B样条插值 matlabbatch{2}.spm.spatial.realign.estwrite.eoptions.wrap = [0 0 0]; matlabbatch{2}.spm.spatial.realign.estwrite.eoptions.quality = 0.9; matlabbatch{2}.spm.spatial.realign.estwrite.roptions.which = [2 1]; % 输出所有图像+平均图像 matlabbatch{2}.spm.spatial.realign.estwrite.roptions.interp = 4; matlabbatch{2}.spm.spatial.realign.estwrite.roptions.wrap = [0 0 0];这里的rtm（register to mean）建议设成1，也就是把每一时间点的图像对齐到所有时间点的平均图像上，比对齐到第一幅图像更稳定。roptions.which我写的是[2 1]，意思是写出的文件包括重新采样后的所有图像（2）和平均图像（1）。平均图像后面做Coregister的时候要用到。
步骤三：Coregister
matlabbatch{3}.spm.spatial.coreg.estwrite.ref = { {t1_file} }; matlabbatch{3}.spm.spatial.coreg.estwrite.source = { {mean_func_file} }; matlabbatch{3}.spm.spatial.coreg.estwrite.other = {func_files_resliced}; % 所有功能像 matlabbatch{3}.spm.spatial.coreg.estwrite.eoptions.cost_fun = 'nmi'; matlabbatch{3}.spm.spatial.coreg.estwrite.eoptions.interp = 4; matlabbatch{3}.spm.spatial.coreg.estwrite.roptions.interp = 4; matlabbatch{3}.spm.spatial.coreg.estwrite.roptions.which = [0 1];Cost function我习惯用nmi（互信息），它对多模态图像（T1和fMRI）的配准效果比ncc（归一化互相关）稳定。other字段里不仅要填所有功能像，还要包含前面Slice Timing和Realign输出的文件。Coregister计算的时候，会以source为基准估计变换参数，然后把source和other里的所有文件一起按这个变换写入新的空间。
步骤四：Segment
matlabbatch{4}.spm.spatial.preproc.channel.vols = {t1_file}; matlabbatch{4}.spm.spatial.preproc.channel.biasreg = 0.001; matlabbatch{4}.spm.spatial.preproc.channel.biasfwhm = 60; matlabbatch{4}.spm.spatial.preproc.tissue(1).tpm = {fullfile(spm_path, 'tpm', 'TPM.nii,1')}; matlabbatch{4}.spm.spatial.preproc.tissue(1).ngaus = 2; % ... 组织类别2到6依此类推 matlabbatch{4}.spm.spatial.preproc.warp.mrf = 1; matlabbatch{4}.spm.spatial.preproc.warp.cleanup = 1; matlabbatch{4}.spm.spatial.preproc.warp.bb = [-78 -112 -70; 78 76 85]; matlabbatch{4}.spm.spatial.preproc.warp.vox = [1.5 1.5 1.5]; matlabbatch{4}.spm.spatial.preproc.warp.write = [1 1]; % 写变形场和反变形场Segment步骤里最需要注意的是TPM（组织概率图）的路径。旧版SPM12的TPM在spm12/tpm/TPM.nii，每个组织类别是一卷，所以引用时要带上,1、,2这样的卷序号。很多报错都出在这个地方——路径不对或者卷标不对，整条处理链直接中断。
warp.write = [1 1]表示同时写出正向和反向变形场。正向是把个体空间映射到MNI空间的变形场，后面Normalize用；反向是把MNI空间映射回个体空间的变形场，通常留作备用。
步骤五：Normalize
matlabbatch{5}.spm.spatial.normalise.write.subj.def = {deformation_field_file}; % 上一步生成的y_*.nii matlabbatch{5}.spm.spatial.normalise.write.subj.resample = {func_files_to_normalize}; matlabbatch{5}.spm.spatial.normalise.write.woptions.bb = [-78 -112 -70; 78 76 85]; matlabbatch{5}.spm.spatial.normalise.write.woptions.vox = [3 3 3]; % 功能像归一化到3mm体素 matlabbatch{5}.spm.spatial.normalise.write.woptions.interp = 4; matlabbatch{5}.spm.spatial.normalise.write.woptions.prefix = 'w';Normalize步骤里同样要注意的是bb（bounding box）和vox（体素大小）这两个参数。功能像归一化通常用[3 3 3]或[2 2 2]，结构像用[1 1 1]。它们只需要在MATLAB的job配置里设定一次，SPM会自动应用到你指定的所有文件上。
步骤六：Smooth
matlabbatch{6}.spm.spatial.smooth.data = {normalized_func_files}; matlabbatch{6}.spm.spatial.smooth.fwhm = smooth_kernel; matlabbatch{6}.spm.spatial.smooth.dtype = 0; matlabbatch{6}.spm.spatial.smooth.im = 0; matlabbatch{6}.spm.spatial.smooth.prefix = 's';平滑的fwhm是核心参数。它设置的是高斯核的半高全宽，单位是毫米。常见做法是设置成跟体素大小差不多的值，比如体素3mm时用[6 6 6]，体素2mm时用[4 4 4]。这个参数不宜过大，过大会把一些本来就有意义的精细结构也抹掉；也不宜过小，过小起不到平滑的作用。
smooth.dtype = 0表示输出数据类型跟输入一致，一般就是float32，够用。im = 0表示不生成隐含掩膜，这个默认参数不用改。
所有步骤的matlabbatch组装完成后，用多行spm_jobman('run', matlabbatch)依次执行每一步。我建议分步执行而不是把六个job一股脑塞给spm_jobman('run', matlabbatch)一次跑完，原因有两点：一是可以在每两步之间检查输出文件；二是如果某一步参数写错，你马上就能定位到具体是哪一步出的问题，不至于整个batch全部失败后从头排查。
3.4 参数计算和选型实战：以TR、FWHM为例
上面提到的好几个参数，看起来就是填数字，但实际设置时是需要根据数据算的。我以TR和FWHM为例，具体说说怎么算、怎么选。
TR的计算很简单，一般来说就是从扫描仪或者dicom头文件里读出来的值。假设你的扫描参数是TR=2000ms，那就是TR=2.0。填入SPM时单位是秒，不是毫秒。
如果TR信息丢失了，可以用一个小技巧估算：看单个.nii文件的时间维长度和总扫描时长。比如一个volume有300个时间点，总扫描时长是10分钟，那TR≈600/300=2秒。这只是估算，如果有原DICOM文件，还是以DICOM头里的Repetition Time字段为准。
FWHM的选择就比较讲究了。它跟你的体素大小直接相关，同时跟你的分析目标也有关系。做组水平的统计分析时，一般建议FWHM取两倍体素大小左右。例如体素3mm，取6mm合适；体素2mm，取4mm。但如果你做的是高空间分辨率的单个被试分析，或者用MVPA这类保持空间细节的方法，平滑核就应该小一些，甚至不做平滑。一个实用的判断标准是：看你的fMRI数据本身的空间分辨率，平滑核大小不应超过感兴趣区域尺寸的一半。
从参数到代码，这些数值都是直接填进上面的matlabbatch结构里的。我习惯把参数统一定义在主脚本开头，用一个变量名指代，这样后面要改只需要改一处，不用翻遍脚本找数字。
3.5 只处理部分被试：怎么加断点续跑
跑批量预处理经常遇到的情况是，跑到第10个被试时服务器崩了，或者某个被试数据质量差导致spm_jobman报错中断。如果脚本没有断点机制，前面的9个被试就白跑了，浪费时间。
我在主循环里加了一个简单的断点判断：为每个被试建立一个“完成标记文件”。
for subj = 1:n_subjects subj_name = subject_list(subj).name; done_flag = fullfile(output_root, subj_name, 'finished.txt'); if exist(done_flag, 'file') fprintf('[skip] %s already processed.\n', subj_name); continue; end % ... 处理该被试 fid = fopen(done_flag, 'w'); fprintf(fid, 'completed %s\n', datestr(now)); fclose(fid); end这样做的逻辑很简单：每次跑完一个被试就写一个标记文件，下次再跑脚本时自动跳过已经完成的被试。同样的思路可以精细化到每个步骤，比如给Slice Timing、Realign都单独写标记，这样中断后可以从具体步骤重新续跑。我在实际项目中，通常会用“每跑完一个步骤手动把对应job从循环里注释掉”这种最土的办法，但效果也很实在。
4. 常见问题与排查实录
4.1 SPM报错类型和解决方法
我把这几年来用这套脚本时遇到的高频报错整理成了一个表，方便你对照排查。
| 现象 | 可能原因 | 解决方法 |
|---|---|---|
Can't open file xxxx.nii | .nii.gz未解压，或路径中有中文/空格 | 先跑解压步骤；路径全英文，无空格 |
Error using spm_run_normalise | 变形场文件没生成，或者y_*.nii文件名匹配失败 | 检查Segment步骤是否真的完成；确认deformation_field_file变量路径 |
Undefined function 'spm' | SPM12路径没加进MATLAB搜索路径 | 检查addpath(spm_path)是否执行成功；确认SPM是完整解压 |
Out of memory | 功能像文件太大，或同时加载了太多文件 | 减少一次加载的文件数；分批处理run；增加虚拟内存 |
Job execution failed | SPM版本不一致导致matlabbatch字段不兼容 | 大部分旧版脚本的字段多一个write子结构，对照图形界面重新保存新版本batch |
Image dimensions do not match | 不同run或不同被试图像的维数不一致 | 检查原始数据；确认时间层数和矩阵大小一致后才能一起跑Realign |
第一个问题最常见。很多初学者从网盘或课题组服务器拷到数据压缩包后，直接塞给SPM处理，结果SPM读不了.nii.gz。用我这个脚本里的gunzip_files函数先解压，问题就解决了一大半。
第二个问题也很有代表性。SPM12的Segment步骤会生成一个y_*.nii变形场文件，但旧版SPM12生成的变形场文件名前缀不同，如果你用的是更新版本，这个文件名前缀可能变成y_或者别的，导致下一步Normalize找不到文件。我的建议是，在脚本里加一行检查：
def_file = spm_select('FPList', out_dir, '^y_.*\.nii$'); if isempty(def_file) error('Deformation field not found. Check Segment step.'); end用spm_select的FPList模式可以按正则表达式从指定文件夹里筛选文件，比手动拼接路径靠谱得多。类似的，在后面步骤里筛选w*、sw*文件也都可以用这个方式。
4.2 头动参数过大的数据要不要剔除
Realign跑完之后，每个被试都会生成一个rp_*.txt文件，里面是六列头动参数。我通常会在预处理完成后写一个小段代码，批量读取所有被试的头动参数，计算最大平移和最大旋转，然后标记那些超过阈值的被试。
% 读取头动参数 rp_file = spm_select('FPList', subj_dir, '^rp_.*\.txt$'); motion = load(rp_file); max_trans = max(abs(motion(:, 1:3))); % 单位mm max_rot = max(abs(motion(:, 4:6))); % 单位rad % 旋转角度转换为度 max_rot_deg = max_rot * 180 / pi; fprintf('%s: max_trans=%.2fmm, max_rot=%.2f度\n', subj_name, max(max_trans), max(max_rot_deg));我的经验阈值是最大平移超过3mm或者最大旋转超过3度的被试，就需要谨慎处理。这不意味着一定要剔除，但至少要在后续统计分析时作为协变量纳入，或者检查一下是不是存在明显的尖峰。
如果数据本身质量不好，头动超过阈值，可以试着先用ART工具或者tsdiffana之类的质量检查工具跑一遍，看有没有异常时间点，再决定是剔除整个被试还是去掉某些时间点。这已经属于预处理后面的质量检查环节了，但建议在跑完整套流程后立即做，不要等统计分析时才发现数据没法用。
4.3 旧版SPM12的几个特殊问题
“旧版”这两个字，在SPM12的语境下意味着你的代码和某些新版本的行为可能存在差异。我用的是r7219这一版，遇到的主要差异有三个。
第一，matlabbatch结构在旧版接口更繁琐。比如新版SPM12的Realign步骤有时简化了字段，旧版还保留着estwrite.eoptions和estwrite.roptions这些层级，你只要照着图形界面保存的batch结构去写就行，不要凭新版教程照搬。
第二，TPM模板文件的卷标路径格式。旧版SPM12里，TPM模板需要写成fullfile(spm_path, 'tpm', 'TPM.nii,1')这样的格式，有些版本能够自动识别不加卷标的写法，但旧版不行，必须显式带上,1。这个细节导致过很多次“Index exceeds matrix dimensions”之类的报错，排查起来很隐蔽。
第三，旧版对“脏数据”更敏感。比如说.nii文件头缺少某些必要字段，新版会补默认值，旧版直接报错。遇到这种情况，可以用dcm2niix重新转换原始DICOM文件，确保NIfTI头信息完整，再跑预处理。
4.4 并行加速：matlabpool和parfor能省多少时间
批量处理的痛点在时间。一个被试跑完六步，机械硬盘环境下大概需要15分钟到半小时。30个被试就是8到15小时，基本过夜。如果服务器是多核CPU，可以尝试用MATLAB并行计算来加速。
最直接的办法是给主循环换一个parfor。但这里有个前提：每个被试的SPM任务之间不能共享任何工作区变量，matlabbatch结构体必须完全独立构建。我的做法是把run_preprocessing_pipeline这个函数写成无副作用的纯函数，只输入路径和参数，输出状态信息，然后就可以放心用parfor。
parfor subj_idx = 1:n_subjects % 注意不要用subject_list(subj_idx).name这种动态变量名，最好先把属性提取出来 subj_name = subject_names{subj_idx}; fprintf('Processing %s (%d/%d)\n', subj_name, subj_idx, n_subjects); subj_dir = fullfile(data_root, 'raw', subj_name); out_dir = fullfile(output_root, subj_name); if ~exist(out_dir, 'dir'); mkdir(out_dir); end gunzip_files(subj_dir); run_preprocessing_pipeline(subj_dir, out_dir, TR, num_slices, slice_order, ref_slice, smooth_kernel); endparfor的坑也不少。最典型的是每个worker都要初始化SPM——SPM本身不是并行安全的，如果两个worker同时初始化SPM，经常会互相冲突。解决办法是在run_preprocessing_pipeline函数内部调用一次spm('defaults', 'FMRI')和spm_jobman('initcfg')，让每个worker独立初始化。
我实测过的场景是，服务器上8个物理核心并行跑30个被试，从过夜跑缩短到大约3小时。提速很明显，但代价是内存占用大，尤其Smooth和Segment步骤。如果服务器内存不够大，建议并行数控制在4核左右，2个被试一起跑，比强行开8个核然后把内存撑爆划算。
5. 脚本的后续扩展方向
如果你只是要跑完标准六步预处理，上面的内容完全够用了。但实际项目中，经常会碰到需要额外处理的情况。我把自己实验后觉得值得扩展的几个方向列在下面。
加一个ART或DVARS检查环节：预处理完成后，用Artifact Detection Tools或者自己写一个小脚本计算DVARS（frame-wise displacement的导数），识别异常时间点。这可以作为后续回归分析的头动协变量来源，也可以用来筛选被试。
加入去噪步骤：SPM12旧版自带的DARTEL工具可以改进分割和归一化精度。如果你的数据样本量不大、时间预算充足，建议在Segment和Normalize之间插入DARTEL创建模板的步骤。这样做的主要收益是组水平配准精度更高，但流程会拉长很多。
串联conn工具箱做功能连接预处理：如果你的课题是做功能连接，那么预处理之后通常还有一步去噪和带通滤波。CONN工具箱可以复用SPM12的处理结果，直接输入sw*.nii文件即可。我自己做静息态功能连接项目时，就是把这套预处理脚本的输出作为后续CONN分析的输入，衔接得非常顺利。
生成分析报告：给每个被试生成一张预处理质量报告，内容包含头动曲线、配准前后覆盖叠加图、归一化前后对比图。我后期整理文章和对外汇报时，这些图省了我不大事。用SPM自带的spm_check_registration配合MATLAB的print函数就能批量导出。
这些扩展方向不需要重新设计主流程，都是在现有脚本框架上打补丁加模块。预处理管线这种东西，只要骨架搭得稳，往上面挂新组件很容易。
我个人在跑完这么多批数据后最大的体会是，批量预处理的核心不在于某一步参数调得多完美，而在于每一步的输出都能被严格检查、每一次异常都能被快速定位。这套脚本虽然“旧”，但因为每一步之间的文件传递都是显式的、可控的，所以它反而比很多黑盒工具更容易排查问题。如果你正准备上手自己的fMRI数据，建议先把这套流程完整跑通一批，再根据结果去调整参数细节，比一开始就追求“完美预处理”要靠谱得多。
