對于利用ica進行fmri激活區識别的了解

首先，ica是一種探索性的方法，屬于資料驅動的範疇。

ica計算量很大，一般都是離線式計算。

ica基于的猜想是，世界是加性的。在我們所研究的腦科學中，所采集到的BOLD信号，是由一些源信号所構成，更準确地說，是由這些源信号疊加而成的。也就是說，假設我們以每個體素為研究對象，那麼每個體素的BOLD信号在每個時間點的數值，都是由很多個獨立的源信号所組成。注意，在這裡，我們對于ica的要求就是分離出的源信号是獨立的。

那麼，源信号來自于哪裡呢？

來自于某個體素，來自于某個腦區，來自于分散在大腦皮層各個地方的随機位置，并且目前這個随機位置可能也是另外一個信号發生源。舉個例子，在生理噪聲研究中，我們一般這樣考慮問題，就是在血管毗鄰處的皮層，也會被噪聲幹擾。這就表示，在這個交界處的皮層，既有噪聲的屬性，也有信号的屬性，它們是疊加在一起的。這裡其實有着定量和定性的哲學在裡面，如果利用其他的算法，那麼很可能就利用二分法确定性的角度考慮體素的性質：要麼是激活，要麼是噪聲。ica在這裡就有這樣一個優勢，不用絕對的眼光看待體素的性質。如果，我們利用glm來分析問題，我們是從體素來考慮問題的。如果我們用聚類，選取種子點，或者基于ROI，我們是從腦區來考慮的。ica的好處就是，你把資料往ica算法裡面一灌，我們就能得到一些獨立的源信号。

可是當我們提取出信号源之後，又怎麼辦呢？

我們還是不知道哪裡是激活。雖然，現在我們知道哪裡是信号源，并且激活位于大腦的哪些體素中，在這些體素中所占的百分比。

這時的政策有兩種：手動識别；或者，引入别的算法計算組合出我們真正的激活信号的時序波形圖。然後，将得到的時序波形圖和得到的源信号做比對，就可以确定哪些源信号是激活信号，以及這些激活信号所在的體素位置。

 本文轉自二郎三郎部落格園部落格，原文連結：http://www.cnblogs.com/haore147/p/3659974.html，如需轉載請自行聯系原作者