时空动力学分解：功能磁共振成像盲源分离的空间与动力学联合准则

盲源分离（BSS）旨在从观测到的混合信号中恢复潜在源。在脑成像中，源存在于空间和时间两个域中，因此，在一个域中施加的判据会使另一个域不受约束。独立成分分析是应用最为广泛的BSS工具，它利用非高斯性和样本依赖性等多样性特征，但一次只处理一个域。采用两个域的方法则分别在每个域中使用相同的判据，并对二者进行加权权衡。我们提出了时空动力学分解（spatio-dynamical decomposition，SDD）方法：根据非高斯性对空间图进行评分，并根据动力学独立性对时间序列进行评分，即考察每个源的动力学在多大程度上依赖于其他源。我们依据每个评分在数据上能够实现的改善程度对其进行归一化，从而无需设定权重。在模拟数据和130组自然情境fMRI扫描中，SDD能够恢复出由空间图或动力学特征区分的源，并在相互不重叠的片段之间同时重现这两类特征；相比之下，基线方法需要在二者之间进行权衡。此外，空间图与时间尺度相结合后，对刺激跟踪能力的预测也更准确，其中SDD带来的增益最大。总体而言，这些结果表明，当空间域和时间域各自承载独立的判据时，分离效果最为显著。

盲源分离（BSS）从观测到的混合信号中恢复潜在源。在脑成像中，源存在于空间域和时间域两个维度，因此，在一个域中施加的判据会使另一个域不受约束。独立成分分析是应用最广泛的 BSS 工具，它利用非高斯性和样本依赖性等多样性特征，但一次只处理一个域。采用两个域的方法则分别在每个域中使用相同的判据，并对二者进行权衡。我们提出了时空动力学分解（spatio-dynamical decomposition，SDD）方法：以非高斯性对空间图进行评分，并以动力学独立性对时间序列进行评分，即考察每个源的动力学在多大程度上依赖于其他源。我们根据每种评分在数据上所能实现的改进幅度对其进行归一化，从而无需设定权重。在模拟实验和 130 次自然情境 fMRI 扫描中，SDD 能够恢复出分别由空间图或动力学特征区分的源，并在彼此不相交的片段中同时再现这两类特征；相比之下，基线方法需要在二者之间进行权衡。此外，空间图与时间尺度的结合能够更好地预测对刺激的跟踪，其中 SDD 的增益最大。总体而言，这些结果表明，当空间域和时间域各自携带独立的判据时，分离效果最为显著。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.09.25.754426v1?rss=1

🏷️ 功能磁共振成像 盲源分离 时空动力学分解 独立成分分析 神经影像学