建模组独立成分分析中的协变量效应及其在功能磁共振成像中的应用

独立成分分析 (ICA) 是一种强大的计算工具，用于从其线性混合中分离独立源信号。ICA 已广泛应用于神经影像学研究，以识别和表征潜在的大脑功能网络。此类研究的一个重要目标是评估受试者的临床和人口统计学协变量对功能网络空间分布的影响。目前，现有的组 ICA 分解方法尚未纳入协变量效应。因此，它们只能通过临时方法进行评估，这在许多情况下可能不准确。在本文中，我们提出了一种分层协变量 ICA 模型，为估计和检验 ICA 分解中的协变量效应提供了正式的统计框架。提出了一种最大似然方法来估计协变量 ICA 模型。我们开发了两种期望最大化 (EM) 算法以获得最大似然估计。第一种是精确 EM 算法，具有解析可处理的 E 步和 M 步。此外，我们提出了一种基于子空间的近似 EM 算法，该算法可显著减少计算时间，同时仍保持较高的模型拟合精度。此外，为了检验协变量对功能网络的影响，我们开发了一种体素级近似推断程序，消除了对计算昂贵的协方差估计的需求。所提出方法的性能通过模拟研究进行了评估。应用通过一项关于禅修的 fMRI 研究进行了说明。