独立成分分析(ICA)在fMRI数据处理时timecourse的理解
已有 16121 次阅读
2011-4-19 16:10
|系统分类:科研笔记|
时间, 空间, 相关性, 四维
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。
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。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。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。
https://blog.sciencenet.cn/blog-479412-434990.html
上一篇:
杏仁核功能-有待进一步补充下一篇:
独立成分分析