对于利用ica进行fmri激活区识别的理解

时间:2022-06-05 16:56:32

首先,ica是一种探索性的方法,属于数据驱动的范畴。

ica计算量很大,一般都是离线式计算。

ica基于的猜想是,世界是加性的。在我们所研究的脑科学中,所采集到的BOLD信号,是由一些源信号所构成,更准确地说,是由这些源信号叠加而成的。也就是说,假设我们以每个体素为研究对象,那么每个体素的BOLD信号在每个时间点的数值,都是由很多个独立的源信号所组成。注意,在这里,我们对于ica的要求就是分离出的源信号是独立的。

那么,源信号来自于哪里呢?

来自于某个体素,来自于某个脑区,来自于分散在大脑皮层各个地方的随机位置,并且当前这个随机位置可能也是另外一个信号发生源。举个例子,在生理噪声研究中,我们一般这样考虑问题,就是在血管毗邻处的皮层,也会被噪声干扰。这就表示,在这个交界处的皮层,既有噪声的属性,也有信号的属性,它们是叠加在一起的。这里其实有着定量和定性的哲学在里面,如果利用其他的算法,那么很可能就利用二分法确定性的角度考虑体素的性质:要么是激活,要么是噪声。ica在这里就有这样一个优势,不用绝对的眼光看待体素的性质。如果,我们利用glm来分析问题,我们是从体素来考虑问题的。如果我们用聚类,选取种子点,或者基于ROI,我们是从脑区来考虑的。ica的好处就是,你把数据往ica算法里面一灌,我们就能得到一些独立的源信号。

可是当我们提取出信号源之后,又怎么办呢?

我们还是不知道哪里是激活。虽然,现在我们知道哪里是信号源,并且激活位于大脑的哪些体素中,在这些体素中所占的百分比。

这时的策略有两种:手动识别;或者,引入别的算法计算组合出我们真正的激活信号的时序波形图。然后,将得到的时序波形图和得到的源信号做比对,就可以确定哪些源信号是激活信号,以及这些激活信号所在的体素位置。