神經影像學當中的空間獨立成分分析可以將一組被試的大腦影象在空間上分成不同的成分或網路。邏輯上按照以下流程進行：
\[\begin
a_ & a_ & \cdots & a_\\
a_ & a_ & \cdots & a_\\
\vdots & \vdots & \ddots & \vdots\\
a_ & a_ & \cdots & a_\\
\end
=\begin
m_ & m_ & \cdots & m_\\
m_ & m_ & \cdots & m_\\
\vdots & \vdots & \ddots & \vdots\\
m_ & m_ & \cdots & m_\\
\end
*\begin
s_ & s_ & \cdots & s_\\
s_ & s_ & \cdots & s_\\
\vdots & \vdots & \ddots & \vdots\\
s_ & s_ & \cdots & s_\\
\end
\]將每位被試的影像資料逐體素轉換成一行n*1；
把全部被試的影像逐行拼接成乙個矩陣m*n；
將矩陣進行分解，得到混合矩陣(mixed matrix)和源矩陣(source matrix)；
3.1. 混合矩陣為m*c，其中每乙個元素表示對應被試在對應成分上的負載係數；
3.2. 源矩陣為c*n，其中每個元素表示對應成分在相應體素上的分布；
通過混合矩陣可以得到每位被試某一成分的負載，並進行後續的統計分析；
通過源矩陣可以將行向量形式的體素轉換到3維空間中，便於視覺化(圖1)；
圖1. 源矩陣視覺化示例(watanabe et al., psychiatry research. neuroimaging, 2020)。
參考watanabe, k., kakeda, s., katsuki, a., ueda, i., ikenouchi, a., yoshimura, r., & korogi, y. (2020). whole-brain structural covariance network abnormality in first-episode and drug-naïve major depressive disorder. psychiatry research. neuroimaging, 300, 111083.
ICA 獨立成分分析 筆記
ica又稱盲源分離 blind source separation,bss 它假設觀察到的隨機訊號x服從模型 其中s為未知源訊號，其分量相互獨立，a為一未知混合矩陣。ica的目的是通過且僅通過觀察x來估計混合矩陣a以及源訊號s。大多數ica的演算法需要進行 資料預處理 data preprocess...
機器學習筆記 獨立成分分析
本文介紹獨立成分分析 ica 同 pca 類似，我們是要找到乙個新的基來表示資料，但目的就不一樣了。雞尾酒會問題 n 個人在乙個 party 上同時說話，n 個麥克風放置在房間的不同位置，因為每個麥克風跟每個人的距離都不一樣，所以它們記錄的說話者重疊的聲音也不一樣。根據麥克風記錄的聲音，如何分離出 ...
入門版python實現獨立成分分析法ICA
只講用法，不講原理。前提條件 安裝好python，並安裝好numpy matplotlib sklearn庫。import numpy as np import matplotlib.pyplot as plt from sklearn.decomposition import fastica 匯入...