A review of group ICA for fMRI data and ICA for joint inference of imaging, genetic, and ERP data.
A review of group ICA for fMRI data and ICA for joint inference of imaging, genetic, and ERP data.
复制标题
DOI：
10.1016/j.neuroimage.2008.10.057
复制
发表时间：
2009-03
期刊：
影响因子：
5.7
通讯作者：
Adali T
中科院分区：
文献类型：
--
作者：
Calhoun VD;Liu J;Adali T
独立分量分析(ICA)已成为分析脑成像数据的一种越来越常用的方法。与广泛使用的需要用户将数据(例如，大脑对刺激的反应)参数化的通用线性模型(GLM)不同，ICA通过依赖于一般的独立性假设，允许用户对反应的确切形式是不可知的。此外，ICA本质上是一种多变量方法，因此每个组件提供了大脑活动的分组，这些区域共享相同的反应模式，从而提供了功能连接的自然测量。已经提出了各种各样的独立分量分析方法，在本文中，我们重点介绍两种不同的方法。本文的第一部分回顾了独立成分分析在从fMRI数据进行群体推断方面的应用。我们概述了当前利用ICA进行群体推理的方法，重点介绍了GIFE软件中实现的群体ICA方法。在本文的下一部分中，我们将概述ICA在组合或融合多模式数据方面的应用。事实证明，ICA对于多任务或数据模式的数据融合特别有用，例如单核苷酸多态(SNP)数据或事件相关电位。正如本文中的一些例子所证明的那样，ICA是一种强大而通用的数据驱动的大脑研究方法。
Independent component analysis (ICA) has become an increasingly utilized approach for analyzing brain imaging data. In contrast to the widely used general linear model (GLM) that requires the user to parameterize the data (e.g. the brain's response to stimuli), ICA, by relying upon a general assumption of independence, allows the user to be agnostic regarding the exact form of the response. In addition, ICA is intrinsically a multivariate approach, and hence each component provides a grouping of brain activity into regions that share the same response pattern thus providing a natural measure of functional connectivity. There are a wide variety of ICA approaches that have been proposed, in this paper we focus upon two distinct methods. The first part of this paper reviews the use of ICA for making group inferences from fMRI data. We provide an overview of current approaches for utilizing ICA to make group inferences with a focus upon the group ICA approach implemented in the GIFT software. In the next part of this paper, we provide an overview of the use of ICA to combine or fuse multimodal data. ICA has proven particularly useful for data fusion of multiple tasks or data modalities such as single nucleotide polymorphism (SNP) data or event-related potentials. As demonstrated by a number of examples in this paper, ICA is a powerful and versatile data-driven approach for studying the brain.
登录
查看更多内容
影响因子：
4.8
作者：
Calhoun, VD;Pekar, JJ;Pearlson, GD
通讯作者：
Pearlson, GD
影响因子：
2.5
作者：
Calhoun, VD;Adali, T;Pekar, JJ
通讯作者：
Pekar, JJ
影响因子：
5.7
作者：
Beckmann, CF;Smith, SM
通讯作者：
Smith, SM
影响因子：
5.7
作者：
Calhoun, VD;Adali, T;Pearlson, GD
通讯作者：
Pearlson, GD
影响因子：
4.8
作者：
Calhoun, VD;Adali, T;Pekar, JJ
通讯作者：
Pekar, JJ