Independent Component Analysis Outperforms Seed-Based Approach in Detecting fNIRS-based Resting-State Functional Connectivity

该研究通过对 38 名参与者的近全头静息态 fNIRS 数据分析，证实独立成分分析（ICA）在检测运动网络功能连接方面，相较于多种种子点方法（SBA）具有更高的准确性、跨色度一致性及鲁棒性，从而为 fNIRS 静息态功能连接的分析策略标准化提供了关键依据。

要点

这篇文章主要是在探讨一种名为fNIRS（功能性近红外光谱技术）的大脑扫描方法，如何更准确地“听”到大脑在休息时的“对话”（即静息态功能连接）。

为了让你更容易理解，我们可以把大脑想象成一个巨大的、繁忙的交响乐团。

1. 核心问题：如何听懂乐团的“闲聊”？

当乐团成员（大脑神经元）不演奏特定的曲子（不做任务）时，他们之间依然会有默契的“闲聊”（功能连接）。科学家想通过 fNIRS 这种像“头戴式耳机”一样的设备，记录下这种闲聊，看看哪些乐手（脑区）关系最铁。

但是，fNIRS 记录到的信号很复杂，就像在嘈杂的菜市场里听人说话。我们需要一种分析策略（算法）来把有用的“闲聊”从噪音中分离出来。

这篇文章就是要在比较两种主要的“听音策略”：

• 种子法 (SBA)：就像你指定一个“领唱”（种子点），然后问：“谁在和这个领唱一起唱歌？”
• 独立成分分析 (ICA)：就像把整个菜市场的录音带扔进一个智能过滤器，让它自动把“卖菜声”、“叫卖声”和“乐团的闲聊声”自动分离开，找出谁在跟谁聊天。

2. 实验过程：一场“听音大比拼”

研究者找了 38 个健康人，让他们戴着 fNIRS 帽子休息，然后让他们做手指敲击任务（用来确定哪个是“领唱”）。

他们用了五种不同的“听音策略”来分析数据，看看哪种策略能最准确地画出“乐团关系图”：

1. 种子法 + 线性模型 (SBA-GLM)：传统的统计方法。
2. 种子法 + 呼吸修正：在上面的基础上，把呼吸造成的噪音也剔除掉。
3. 种子法 + 相关分析 (SBA-Corr)：直接算相关性，简单粗暴。
4. 独立成分分析 - 偏度法 (ICA-Skew)：一种智能分离法。
5. 独立成分分析 - 对数双曲余弦法 (ICA-LogCosh)：另一种更稳健的智能分离法。

3. 比赛结果：谁赢了？

🏆 冠军：独立成分分析 (ICA)

比喻：ICA 就像是一位拥有“超级听力”的调音师。

• 表现：它不仅能最准确地找出谁和谁在聊天（准确率最高），而且无论用“氧气信号”（HbO，像高音）还是“脱氧信号”（HbR，像低音）来听，它画出的关系图都非常一致。
• 结论：如果你想要最靠谱、最清晰的大脑关系图，ICA 是首选。它甚至发现，以前大家不太重视的“脱氧信号”（HbR）里也藏着很多有用的信息，和“氧气信号”一样重要。

🥈 亚军：相关分析种子法 (SBA-Corr)

比喻：SBA-Corr 就像是一位反应快、算得快的助手。

• 表现：虽然它不如 ICA 那么精准（特别是在信号比较弱的时候），但它比传统的线性模型（SBA-GLM）要好用得多。
• 结论：如果你没有那么多时间或算力去运行复杂的 ICA，SBA-Corr 是一个性价比很高、计算简单的替代方案。

🥉 季军：传统种子法 (SBA-GLM)

比喻：这就像是用老式收音机听歌。

• 表现：它也能听到声音，但噪音比较大，画出来的关系图比较模糊，而且容易受呼吸等干扰。
• 结论：在现在的技术条件下，它已经不是最佳选择了。

4. 为什么这个发现很重要？

1. 打破偏见：以前大家觉得 fNIRS 只能看“氧气信号”（HbO），这篇论文证明“脱氧信号”（HbR）其实也很有用，只要用对方法（比如 ICA），两个信号都能画出清晰的大脑地图。
2. 临床价值：fNIRS 比核磁共振（MRI）便宜、便携、安静，特别适合小孩或行动不便的病人。如果能把分析大脑“闲聊”的方法标准化（就像这篇论文推荐的 ICA），未来医生就能更方便地用 fNIRS 来诊断自闭症、抑郁症等大脑连接异常的疾病。
3. 方法标准化：以前大家各用各的方法，结果很难比较。这篇论文告诉大家：“别再用老方法了，试试 ICA 吧，或者至少用 SBA-Corr，别用 SBA-GLM 了。” 这为未来的研究定下了新标准。

总结

这就好比在寻找失散多年的亲人（大脑连接）：

• 旧方法 (SBA-GLM) 像是拿着模糊的老照片去问路人，经常认错人。
• 新方法 (ICA) 像是用高清人脸识别系统，不仅能精准找到人，还能确认照片里的人（氧气信号）和录像里的人（脱氧信号）确实是同一个人。

这篇论文就是告诉大家：为了看清大脑的“社交网络”，请升级你的“识别系统”到 ICA 吧！

技术摘要

这是一份关于该论文的详细技术总结，涵盖了研究问题、方法论、关键贡献、主要结果及研究意义。

论文标题

独立成分分析（ICA）在检测基于 fNIRS 的静息态功能连接方面优于种子点方法（Seed-Based Approach）

1. 研究问题 (Problem)

• 背景： 静息态功能连接（RSFC）是理解大脑功能、发育及神经精神疾病的重要指标。功能性近红外光谱（fNIRS）因其便携性、对运动伪影的耐受性及对临床/儿科人群的适用性，成为功能性磁共振成像（fMRI）的有力替代方案。
• 核心挑战： 尽管 fNIRS 应用广泛，但估算 fNIRS 静息态功能连接的最佳分析策略尚不明确。
  • 目前主要存在两种主流方法：种子点分析（SBA）（包括基于广义线性模型 GLM 和相关系数的方法）和独立成分分析（ICA）。
  • 现有研究存在局限性：样本量小、脑区覆盖有限、缺乏先进的去噪方法（如短通道回归）、且大多仅关注氧合血红蛋白（HbO）信号，忽略了脱氧血红蛋白（HbR）在功能连接中的信息价值。
  • 缺乏对 HbO 和 HbR 信号在不同分析方法下的一致性及可靠性的系统性比较。

2. 方法论 (Methodology)

本研究对 38 名健康受试者的近全脑静息态 fNIRS 数据进行了系统分析，旨在比较不同方法在检测运动网络功能连接方面的表现。

• 数据获取与预处理：

  • 设备： 使用 NIRSport2 设备，134 个通道（覆盖近全脑），包含短距离探测器（用于去噪）。
  • 任务： 5 分钟静息态 + 5 分钟 50 秒双侧手指敲击任务（用于定义种子点和验证）。
  • 预处理： 包括光密度转换、修正的比尔 - 朗伯定律（mBLL）、带通滤波（静息态 SBA 为 0.01-0.1 Hz，ICA 为 0.01-0.2 Hz）、去趋势、尖峰去除、TDDR 修复、以及基于短通道的 GLM 回归去噪。
  • 质量控制： 排除头皮耦合指数（SCI）低或数据质量差的受试者。

• 分析方法对比（5 种策略）：

  1. SBA-GLM： 基于广义线性模型，将种子点时间序列作为预测变量。
  2. SBA-GLM-Resp： 在 GLM 基础上增加呼吸信号作为协变量进行回归。
  3. SBA-Corr： 基于皮尔逊相关系数计算种子点与其他通道的相关性。
  4. ICA-Skew： 基于偏度（Skewness）函数的 ICA，复现既往研究。
  5. ICA-LogCosh： 基于 LogCosh 函数的 ICA，作为更稳健的近似负熵方法。
  • 注：ICA 采用了自动化、数据驱动的“留一法”（LOO）选择运动相关成分，并进行了 50 次重复运行以消除随机性偏差。

• 评估指标：

  1. 受试者工作特征（ROC）分析： 使用两种“金标准”参考图评估性能：(i) 基于 fOLD 图谱的解剖学运动区定义；(ii) 基于手指敲击任务激活图的功能性定义。计算曲线下面积（AUC）。
  2. 统计显著性检验： 使用 DeLong 检验比较不同方法 AUC 值的差异。
  3. 跨色团一致性： 计算 HbO 和 HbR 生成的 RSFC 空间图之间的皮尔逊相关系数，评估方法在两种血红蛋白信号上的一致性。

3. 关键贡献 (Key Contributions)

1. 系统性比较： 首次在同一数据集上，利用近全脑覆盖和标准化预处理，系统比较了 SBA（含 GLM 和相关法）与 ICA（含不同对比函数）在 fNIRS RSFC 检测中的表现。
2. HbR 信号的价值验证： 证明了脱氧血红蛋白（HbR）信号包含与 HbO 相当的功能连接信息，且通过优化分析策略（特别是 ICA），HbR 也能可靠地检测出功能连接。
3. 方法学标准化： 提出了自动化的 ICA 成分选择流程（留一法 + 多次重复），解决了以往研究中依赖人工视觉选择成分的主观性和不可重复性问题。
4. 统计评估升级： 引入 DeLong 检验对 ROC 曲线进行统计比较，克服了以往仅凭 AUC 数值大小或置信区间重叠进行定性判断的局限性。

4. 主要结果 (Results)

• 检测性能（AUC）：

  • ICA 全面优于 SBA： 无论使用解剖学参考（fOLD）还是功能参考（任务激活图），也无论是 HbO 还是 HbR 信号，ICA 方法（AUC = 0.82–0.96） consistently 优于所有 SBA 方法（AUC = 0.63–0.86）。
  • SBA 内部比较： 在特定条件下（特别是使用功能性参考和 HbR 信号时），SBA-Corr（相关法）显著优于 SBA-GLM 及其呼吸回归变体。这表明在低信噪比（HbR）或特定参考定义下，简单的线性相关可能比 GLM 更敏感。
  • 统计显著性： DeLong 检验证实，在使用功能性参考图时，ICA 显著优于 SBA 方法。

• 跨色团一致性（HbO vs. HbR）：

  • ICA 生成的 HbO 和 HbR 功能连接图具有更高的空间相似性（相关系数 r = 0.90–0.92）。
  • SBA 方法的跨色团一致性较低（r = 0.84–0.86）。
  • 这表明 ICA 能更稳健地从两种血红蛋白信号中提取出一致的神经活动模式。

• 可视化结果：

  • ICA 清晰地分离出运动网络和额叶网络，且空间定位准确。
  • SBA-Corr 产生的连接图较为弥散，而 SBA-GLM 在 HbO 和 HbR 上的模式差异较大。

5. 研究意义 (Significance)

• 方法学推荐： 研究建议ICA 应作为 fNIRS 静息态功能连接分析的首选方法，特别是在需要高准确性、高跨色团一致性以及无需先验种子点（数据驱动）的场景下。
• 替代方案： 如果计算资源受限或需要快速分析，SBA-Corr（相关法）是一个有效的替代方案，其表现优于 GLM 方法，但略逊于 ICA。
• 临床转化潜力： 研究证实了 HbR 信号在 fNIRS 功能连接研究中的重要性，打破了以往仅依赖 HbO 的局限。这为 fNIRS 在临床（如神经精神疾病诊断、术前规划）和儿科研究中的标准化应用奠定了坚实基础。
• 标准化推动： 通过自动化流程和严格的统计比较，本研究推动了 fNIRS-RSFC 分析方法的标准化，有助于提高研究结果的可重复性和临床应用的可靠性。

总结： 该论文通过严谨的实验设计和统计分析，确立了独立成分分析（ICA）在 fNIRS 静息态功能连接研究中的优越地位，同时验证了 HbR 信号的有效性，为未来 fNIRS 在神经科学和临床领域的广泛应用提供了关键的方法学指导。