ICA基本概念

  • ICA原理-参考自网络教程
  • Two spaces: X is the data in the original space; S is the source activity.
  • W is the weight matrix to go from the S space to the X space.
  • To compute, the component activity in the formula S = W*X
  • ICA已知S,X,指定成分数目，求W；
  • S,X,W都是矩阵。

ICA大概步骤

  1. 将任务1数据视为静息态数据，使用GIFT工具包进行ICA分析；
  2. 将ICA分析出的每一个脑网络当作一个ROI，制作ROI的mask； 然后用Marsbar提取mask内的每个被试每个ICA成分的时间序列；
  3. Goodness-of-Fit
  4. 计算步骤1和步骤2中每个对应成分的相关系数，将相关系数按照从高到低排列， 保留相关系数最高的前十个成分。这十个成分即是每个被试的十个预测指标。
  5. 针对每个成分，组间比较。组间差异显著的成分保留为预测变量。

EEG ICA

  1. EEG的通道数目为EEG数据矩阵的秩（rank）。ICA运行时事先指定的成分数目的最大值为EEG数据的通道数目。Remember to remove 1 channel to reduce rank for ICA, to reflect reduced rank due to the average referencing.
  2. 频率，高通滤波(highpass filter)：1 Hz highpass filter: This is one of the most important setting, as ICA needs the data to be stationary.
  3. 频率，低通滤波(lowpass filter)：Filtering the hiher frrequencies which are not of interest also drastically improved ICA run times in my datasets (e.g., 50HZ). Consider going to 1-50 hz initially, this should “catch” any stereotyped components so that ICA can “see” in the data.
  4. 数据大小（data size）：数据大小依赖于数据的采样率(sampling rate)、时间窗设置的长度、通道数目以及这三者的结合。Consider the Cz (ground ref) in via interpolation before average rereferencing [or just leave out for now and interpolate it in after ICA-cleaning).
  5. 数据质量（data quality）: consider detect + remove bad channels (also epoches) and not interpolating them before average rereferencing
  6. EEGLAB ICA算法：runica（全平台适用，慢），binica（只适用linux，快），amica（只适用windows）。

References

  1. http://arnauddelorme.com/ica_for_dummies/
  2. https://sccn.ucsd.edu/pipermail/eeglablist/2017/012637.html
  3. https://sccn.ucsd.edu/pipermail/eeglablist/2016/011416.html
  4. https://sccn.ucsd.edu/pipermail/eeglablist/2017/012071.html
  5. https://sccn.ucsd.edu/wiki/Makoto’s_preprocessing_pipeline

fMRI ICA by Gift

  • 基本原理：Group ICA VS. Single-subject ICA ，单被试 ICA 和多被试 ICA（也叫做组水平 ICA）

  • GroupICA的最终目的就是针对多个被试，得到每个被试的独立成分。对于某个独立成分，有两个主要结果：
    1. 第一是空间结果，通过空间成分可以制作RON mask。基于自己的被试样本，在群体水平上对大脑进行分割，得到不同的脑网络ROI。这与直接使用前人 已经定义好的脑网络模板没有本质差异。但基于GroupICA的方法，可能能够避免由于人种，地域和文化所造成的被试间差异， 所得到的脑网络更适合所选取的样本。
    2. 第二是该空间成分对应的时间序列，通过该时间序列可以计算相关指标。
  • 具体而言，Gift软件中，每个被试生成的结果有两大类： 1. 每个被试的空间成分，文件名为sub_component.nii 2. 每个被试-每个session-每个成分的时间序列，sub_timecourses.nii。 3. _postprocess_results.mat 有所有/每个被试的所有/每个成分的空间、时间上的统计信息， 包括dynamic range和fALFF, fnc,spectrum

GroupICA算法

需要注意区分ICA 算法和 ICA 组分析算法。Gift软件中所涉及的 TCGICA/IVA-GL/GIG-ICA 都是 ICA 组分析算法， 其目的是为了对多个被试 fMRI 数据同时进行独立成分分析。ICA 算法的目标是分离相互独立的成分，常见算法有 Informax/FastICA 等。

TCGICA

  1. Gift默认设置使用的ICA 算法是Informax，选择“Informax”表示使用的 ICA 组分析算法是 TCGICA。
  2. GroupICA分为两大步骤：
    • 第一步对所有被试的数据进行 ICA，获得一组组水平独立成分（生成文件*agg__component_ica_.nii）；
    • 第二步根据组水平独立成分重建每个被试的个体水平独立成分， 每个被试生成一个文件，命名为_subcomponent_ica_s1.nii。

GIG-ICA

如果要使用“GIG-ICA”，

  1. 先在“Which Algorithm Do You Want To Use”选项中选择“GIGICA”，其他不变；
  2. 然后在弹出的下一个界面中选择一组组水平独立成分，这组组水平独立成分可以是 TCGICA 生成 的结果（*agg__component_ica_.nii），也可以是其他来源的独立成分模板

Group ICA 实际操作之Gift

可以参考网络教程

  1. 安装。Gift软件和其他包含ICA步骤的软件包有冲突（如EEGLAB），运行时需要先把其他软件包 从Matlab路径中移除
  2. 数据准备。数据格式：root folder/subject folders。例如ICA_folder/sub_01/run1.nii。 因为每个被试的数据存放在每个被试文件夹下，而不是被试文件夹的子文件夹，在GIFT设置数据时， Are session folders inside subject folders?选择 No，选Yes会因为无法识别被试而报错。
  3. 按照manual运行gift。注意：
    1. ICA成分设置多少个？早期往往设置25个，现在开始越来越多，有研究设置100个。因为这样可以把DMN分得更详细。
    2. Smith （2015）甚至设置了 several different ICA dimensionalities (D = 25, 50, 100, 200, 300)
    3. Low versus high dimensional group ICA
  4. 运行结束后，all the components are stored in subject specific nifti files (_subcomponent_ica_s1.nii).

  5. 运行结束后，默认会打开一个图像查看器，提供了四种看图方式.

  6. Statistical analysis：Gift提供了一些简单的统计功能，可以对某个成分进行单样本或双样本t-test。 这些统计功能基于SPM。
    1. Gift/Utilities/SPM Stats/Select design as ”Two sample ttest”
    2. Select a valid parameter file （参数问卷）/Select Component/Select data sets for group

如何从Gigft ICA结果中找到感兴趣脑网络（RON）

  1. 已知的经典脑网络模板：
    • 耶鲁大学脑网络目标
    • Power
    • 斯坦福大学atlases of functional ROIs 该模板来自Shirer 2012 CC，包括 经典的静息态网络，皮层下等网络。
  2. 根据模板进行挑选

从感兴趣网络（RON）中提取Time Courses

Look for time course images (timecourse.nii) and use icatb_loadData(file_name) to get timecourse of all components.

  1. tc = icatb_loadData(timecourse_file_name)

动态ICA

技术原理

  1. 分类: Dynamic FC analysis VS. Static FC analysis
  2. 原理简介: ICA的本质是通过数据挖掘的方法把数据分为规定的若干个成分, 这些成分代表了数据的源头, 例如不同的脑网络. 但是静态ICA忽略了时间因素. 随着时间因素, 数据的源头可能发生变化. 例如在认知加工的早期, 数据源头可能为A网络, 但是随着加工的深入, A网络又把信息 传递给了B网络. 静息态ICA无法估计出ICA成分如何随时间变化. 动态ICA则可以估计出不同ICA成分随时间的变化情况.
  3. 应用基础: the nonstationary nature of functional connectivity in BOLD fMRI data (Chang and Glover, 2010; Hutchison et al., 2013)
  4. 指标: ICA成分随时间变化的幅度大小, 例如MDD相比正常组其静息态脑网络变化幅度更低. 从状态A变化到状态B所需的时间多少. 例如精神分裂症相比正常组变化到密集FC状态所需的时间更短

参考文献

  1. MDD相比控制组其RSFC(静息态功能连接)的动态性降低. Kaiser, R. H., Whitfield-Gabrieli, S., Dillon, D. G., Goer, F., Beltzer, M., Minkel, J., … & Pizzagalli, D. A. (2016). Dynamic resting-state functional connectivity in major depression. Neuropsychopharmacology, 41(7), 1822-1830. 2. Rashid, B., Damaraju, E., Pearlson, G. D., & Calhoun, V. D. (2014). Dynamic connectivity states estimated from resting fMRI Identify differences among Schizophrenia, bipolar disorder, and healthy control subjects. Frontiers in human neuroscience, 8, 897.
  2. EEG: Allen, E.A.,Eichele, T.,Wu, L.,Calhoun, V.D., 2013. EEG Signature of Functional Connectivity StatesOrganization of Human Brain Mapping, Seattle.

References

  1. http://learning-archive.org/?p=110