独立成分分析 ICA 是近年来从盲源分离技术发展而来的一种数据驱动的信号处理方法。该方法属于多变量分析法,与单变量分析法相比,更加充分地利用了像素间的空间联系。应用该方法不仅可以从 fMRI 数据分析中得出一些传统方法所未发现的结果,而且这种方法不需要传统方法的那种预先假设的模型,只依赖于数据本身即可提取出其中所包含的信息,同时可以去除呼吸,心跳等生理学噪声和头动的影响。这种方法需要假设功能成分之间是相互独立的,这种假设对于脑功能活动是合理的,并且能够分离出比较合理的功能模式。标准的 ICA 计算公式如下:X=MS其中 X = [ x1, …, xm]T是时间序列矩阵,每一行表示一个时间点上全脑体素值构成的向量; S = [ s1, …, sk]T是独立成分矩阵,每一行表示一个独立成分;M = [ m1, …, mk]T是混合矩阵,每一列表示与独立成分对应的时间序列,如 mp代表独立成分 Sp对应的时间序列,这种形式称为空间 ICA。

ICA 数据分析本身是很客观的，因为完全是数据驱动的，而不需要假设 ROI，9但是其分析时成分的数目却是要人为给定的，这给 ICA 数据分析的统一性带来了挑战。因为即使是单个被试的数据，其成分的数目都可能不同，这在组分析时就不易处理。所以后期又发展了 Group-ICA 分析方法，即将所有被试的数据连接起来，统一使用一个标准进行 ICA 分析，直接得到组分析的结果。但是即使这样，组分析水平的成分数目依然需要人为确定，而不同的成分数目将会对分析结果造成显著的影响。成分数目过多可能拆散了有效数据的空间分布而无法解释其分析结果，成分数目过少则可能无法得到需要的有效信息而错失了预期的结果。另外，ICA 分析的结果只是显示了脑区网络的空间分布，并不涉及这些脑区之间的连接相关性。所以，ICA 分析的结果可以作为 seed ROI 再进行相关分析，以度量脑区之间的连接强度。

针对信号振荡的幅度，主要是研究静息态 BOLD 信号的低频振幅（ALFF,Amplitude of low frequency fluctuation）大小，由北京师范大学的臧玉峰教授等人提出，国外有的学者也定义为“均方根（Root mean square）”或“能谱（Power spectrum）”，虽然计算方法的细节略有不同，但大体反映的信号意义是一样的。ALFF 的数据分析结果来源于数据本身，无需前提假设划定感兴趣的脑区，这样的数据驱动性使其具有较好的客观性。在静息状态下 ALFF 可以对脑功能区进行定位，不少学者都使用 ALFF 在正常人上显示了默认网络的功能脑区。2007 年 Yang 等比较了静息态下视觉区在睁眼和闭眼时的 ALFF，发现前者比后者高，而后扣带回（默认网络系统的一部分）的 ALFF 则没有差异。更多的研究则比较了神经精神疾病患者与正常人的 ALFF，结果发现 ALFF 存在差异的脑区，与既往其他研究方法所显示的功能异常脑区一致。2007 年臧玉峰等使用 ALFF 作为观察指标研究 ADHD 病人，发现病孩前额叶和小脑的 ALFF 减低。2008 年，Zou 等在 ALFF 的基础上作了算法改进，提出了 fractional ALFF（fALFF）的概念。新的 fALFF 与 ALFF 比较，减少了脑室脑脊液特别是中线结构对计算结果的影响和干扰，理论上来，fALFF 的结果应该比 ALFF 更好，实际分析也证明二者的可靠性基本一致。因此，ALFF 本身可以作为一个观察指标来定位神经精神疾病的异常脑功能区，而且 ALFF 异常的脑区还可以作为感兴趣的种子点脑区进一步进行全脑相关分析，以研究其功能连接的异常。