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。