独立成分分析 与 功能连接之间的关联尝试 by 张高燕

在处理fMRI数据时，使用空间ICA的方法。

 

将一个四维的fMRI数据分解为空间pattern与时间序列的乘积。 //这里的pattern=component

 

其中每一pattern的时间序列是该pattern中强度（z-score值）最大的voxel的时间序列。//取component中z值最大的voxel的timecourse作为此pattern的timecourse

 

该pattern中剩余voxel的时间序列与最大voxel的时间序列的相关性逐渐降低。对应在pattern中就是剩余voxel的z-score值降低。

 

因此pattern其实是一个脑网络，可以理解为以最大z-score值也就是peak value与全脑求功能连接得到的连接图。

 

如果用一个pattern中的peak value为圆心，做ROI，求全脑功能连接，得到的功能连接图fc map与ICA求得的pattern是十分相似的。

　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　// fc map= functional map

 

ROI的半径越小，fc map与ICA pattern越相似。

 

因此在比较前后两次静息态扫描（中间是任务态的学习）某一个网络的变化，可以使用空间ICA找到该网络进行配对检验也可以前后计算fc map来配对检验。

 

二者结果理论上应该是比较接近的。

 

之所以说二者结果接近而不是一致是因为前后两次扫描可能会导致peak value所在的voxel不一样，如第一次在voxelＡ,第二次在voxelB，另外数据中也存在些噪音还有头动等都会影响结果。

 

空间ICA得到的pattern在空间上是独立的，也就是空间不重合的。因此每一个pattern就构成了一个脑网络，它们在空间上是不重合的。