使用GIFT进行独立成分分析 GIFT和Melodic是进行独立成分分析（ICA）最常用的两个工具。相比于Melodic，GIFT的ICA算法更丰富。另外，GIFT基于Matlab，方便在Windows系统上使用。这里介绍如何使用GIFT的图形界面和脚本进行独立成分分析，这些方法来自于GIFT官方文档。 下载全文PDF
*sub*_component是每个被试得到的成分，*agg*_component(或*mean*_component)是所有被试一起得到的成分，用*agg*_component(或*mean*_component)这个文件来筛选成分，*sub*_component成分顺序和*agg*_component(或*mean*_component)是一致的。如何筛选成分，可以参考另一篇博客：http://learning-archive.org/?p=205 回复
常见的做法是，由于一个IC里并非所有体素的值都是有意义的，所以一般会卡一个阈值；超过阈值的体素，可以在每个体素上进行组间比较，并进行多重比较校正；或者计算超过阈值的体素的均值，在组间比较均值的差异。 回复
是的，成分上面的图就是对应的时间序列。单击这个时间序列的图，在弹出的界面上有个Utilities->Power Spectrum可以显示功率谱。唯一需要注意的是，可能需要修改icatb_defaults.m里的EXPERIMENTAL_TR这个参数（大概在552行），使得与实际情况相符合。我比较少关注时间序列的功率谱，可能在GIFT里还有其他更好的方法。 回复
Melodic和GIFT是目前最常用的做ICA的两个软件。GIFT和Melodic虽然都是做ICA，但是在算法原理上是有所不同的。GIFT也可以做双回归，只是名字叫spatial-temporal regression，原理是一模一样的。 回复
老师请问在GIFT中做完spatial-temporal regression。后续统计分析应该怎么做呢，因为之前看说做双回归分析可以更好分析组间差异。我做完spatial-temporal regression后就得到了一个.mat文件以及一个STR.nii文件不太懂后续该怎么分析 回复
您好，请问一下如果在aggregate image中选择了*agg__component_ica_.nii，那么后面自动标记成分的时候时所用的templete也是上一步所选用的*agg__component_ica_.nii以及*agg__component_ica_.txt呢？现在GIG-ICA这部分有点迷糊，希望老师能够解答一下~ 回复
您好，我有两个问题想要请教，一个是可以在哪个软件上进行网络内的比较呢，还有一个在比较前是不是需要对成分进行去噪操作，gift中只看到了despiking，想问其他的比如滤波，去除协变量这些怎么操作呢 回复
（1）对成分的统计分析，可以使用SPM12或者其他可以对图像进行统计分析的软件，比如FSL。（2）不需要，降噪等操作应该在ICA之前就做完。一般的流程建议找几篇典型的文献看看，如果你不是很确定的话。 回复
您好，我是被试内设计，想比较三种实验条件下默认网络差异。我一开始是分了3个session一起做ICA分析，但是我们老师说这样不对要一个条件做一个ica，一共做三次ica分析。再把这三组数据做ANOVA。想问一下我最开始的做法对嘛 回复
您好，已经在gift里做完ica怎么 做2×3的被试内方差分析呀。因为想看刺激类型和控制条件的交互效应，但是gift做完 控制条件和非控制条件的数据是在一个数据文件里。没有办法在spm里做统计想问一下，gift可以做这样的统计分析吗 回复
据我所知，gift只能做很简单的统计模型。如果spm不能做，那么gift估计也不能。不过按道理spm是可以做这种重复测量方差分析的。spm的强项是做task fMRI的分析，task fMRI经常都是被试内设计。 回复
老师您好，我有一个问题想请教一下：就是我看到近几年有些文章，将ICA方法用去定义节点（一个脑区），说这种数据驱动得到的脑区比基于atlas的脑区更好一些，那这个在选择分出多少个component的时候和定义多少个大脑网络有什么差别吗，还是说只是数字越大就可以得到的是一个节点脑区吗，这个数字的选择有没有什么讲究之类的，多有打扰，感谢老师，期待您的回复，谢谢。 回复
(1) 使用ICA去定义节点，然后构造网络的方法，我觉得并没有比用分区模板的会更好一些，因为据我所知并没有特别坚实的证据来证明这一点。（2）一般会采用更高的成分数，因为这样得到的成分更细致一下，涉及的脑区比较少（在成分数低的时候，得到的成分更像一个网络，涉及到很多脑区）。（3）这个成分数没有什么特别的讲究，因为每个数据集自动估计的成分数也不一样，也没有什么明确的原则去人为指定一个成分数。这也是（我认为）使用ICA方法最大的一个弊端，成分数不一样结果往往不同，但是又没有明确的确定成分数的准则。 回复
抱歉，这个我确实不懂，因为没有用GIFT做过动态连接的分析。不过根据我个人的使用经验，你可以每个.mat文件都去打开看看，从矩阵维度上应该能推测出来，再和图形界面的结果核对一下。另外，也可能保存的不是每个状态下的矩阵，而是状态的标签，比如哪些时间点是同一个状态。 回复
我想请教一下，对于使用了GIFT对处理好的图像标记了默认模式网络，但是想知道怎样对两组默认模式网络进行分析差异。
是指两个不同IC之间的比较吗？如果是的话，操作上可以使用两个成分的后重建结果进行配对t检验，但这么做没什么意义。
你们好，我想请教下通过使用GIFT ICA 如何提取出某一个component 的体空间和时间序列（比如说默认网络）
生成的结果里已经包含了个体空间成分和时间序列，文件名为*sub*_component*.nii和*sub*_timecourses*.nii。
大佬好，我想请教一下，*sub*_component*.nii中应该是包含了多个空间成分，如何只挑选其中感兴趣的成分，比如DMN呢？
*sub*_component是每个被试得到的成分，*agg*_component(或*mean*_component)是所有被试一起得到的成分，用*agg*_component(或*mean*_component)这个文件来筛选成分，*sub*_component成分顺序和*agg*_component(或*mean*_component)是一致的。如何筛选成分，可以参考另一篇博客：http://learning-archive.org/?p=205
请问如果是一个IC不同组之间要怎么比较呢？
常见的做法是，由于一个IC里并非所有体素的值都是有意义的，所以一般会卡一个阈值；超过阈值的体素，可以在每个体素上进行组间比较，并进行多重比较校正；或者计算超过阈值的体素的均值，在组间比较均值的差异。
您好，能加您一个联系方式吗，我也正在做默认模式网络，有一点小问题想跟您请教一下
可以通过邮箱free_learner@163.com联系我。另外，也可以加入QQ群：638167771
您好，想问一下显示每个成分时上面有一个折线图，恒左边是scan，这个是属于时间序列图吗？如果想看每个成分的功率谱又该怎么办呢？谢谢您！
是的，成分上面的图就是对应的时间序列。单击这个时间序列的图，在弹出的界面上有个Utilities->Power Spectrum可以显示功率谱。唯一需要注意的是，可能需要修改icatb_defaults.m里的EXPERIMENTAL_TR这个参数（大概在552行），使得与实际情况相符合。我比较少关注时间序列的功率谱，可能在GIFT里还有其他更好的方法。
您好，
相对于GIFT，现在Melodic用得多吗？Melodic有什么更好的优势吗？GIFT也能做双回归分析（Dual_Regression）吗？
Melodic和GIFT是目前最常用的做ICA的两个软件。GIFT和Melodic虽然都是做ICA，但是在算法原理上是有所不同的。GIFT也可以做双回归，只是名字叫spatial-temporal regression，原理是一模一样的。
老师请问在GIFT中做完spatial-temporal regression。后续统计分析应该怎么做呢，因为之前看说做双回归分析可以更好分析组间差异。我做完spatial-temporal regression后就得到了一个.mat文件以及一个STR.nii文件不太懂后续该怎么分析
这个小工具我没有用过，不过比较简单的方法是在做GICA的时候，在重建方法那里选择双回归。
您好，请问一下如果在aggregate image中选择了*agg__component_ica_.nii，那么后面自动标记成分的时候时所用的templete也是上一步所选用的*agg__component_ica_.nii以及*agg__component_ica_.txt呢？现在GIG-ICA这部分有点迷糊，希望老师能够解答一下~
可以的。也可以选择*mean_component*来筛选成分。这两个文件（agg/mean）都可以表示所有被试的平均或者共有的成分。
您好，老师。请问一下，如果是多个组别比如（sub/con）他们要共同提取ICA时，是需要将两组人分开各自组别提取各自组别的ICA还是放在一起提取ICA？
在文献里这两种做法都有，不过我感觉大多数还是把所有组别的被试放在一起进行ICA，原因可能是这种做法比较方便后续做统计分析。如果两组分开做，匹配成分又会成为一个问题。
好的，谢谢老师！
您好，请问下设置参数时选择的预处理文件夹是’ARCW那个吗，现在我人数一多处理就报错，请问知道是什么原因吗，经过dpabi预处理的
不清楚，要看具体报错信息是什么。用dpabi预处理一个特别容易导致报错的原因是，没有勾选add mean back，导致GIFT无法估计mask。
你好，请问GIFT分出的成分，我怎么提取某些成分做成mask，进一步做其他的分析，我做不出来
你可以用SPM12的Batch -> SPM -> Util -> 4D to 3D File Conversion把4D成分文件分成3D的。
您好，我有两个问题想要请教，一个是可以在哪个软件上进行网络内的比较呢，还有一个在比较前是不是需要对成分进行去噪操作，gift中只看到了despiking，想问其他的比如滤波，去除协变量这些怎么操作呢
（1）对成分的统计分析，可以使用SPM12或者其他可以对图像进行统计分析的软件，比如FSL。（2）不需要，降噪等操作应该在ICA之前就做完。一般的流程建议找几篇典型的文献看看，如果你不是很确定的话。
您好，我是被试内设计，想比较三种实验条件下默认网络差异。我一开始是分了3个session一起做ICA分析，但是我们老师说这样不对要一个条件做一个ica，一共做三次ica分析。再把这三组数据做ANOVA。想问一下我最开始的做法对嘛
我个人觉得最好是三个session一起做。每个session单独做，还需要额外再匹配一次成分，在解释上也存在一些困难。建议找找相关文献做参考，这方面文献应该是很多的。
您好，已经在gift里做完ica怎么 做2×3的被试内方差分析呀。因为想看刺激类型和控制条件的交互效应，但是gift做完 控制条件和非控制条件的数据是在一个数据文件里。没有办法在spm里做统计想问一下，gift可以做这样的统计分析吗
据我所知，gift只能做很简单的统计模型。如果spm不能做，那么gift估计也不能。不过按道理spm是可以做这种重复测量方差分析的。spm的强项是做task fMRI的分析，task fMRI经常都是被试内设计。
老师您好，我有一个问题想请教一下：就是我看到近几年有些文章，将ICA方法用去定义节点（一个脑区），说这种数据驱动得到的脑区比基于atlas的脑区更好一些，那这个在选择分出多少个component的时候和定义多少个大脑网络有什么差别吗，还是说只是数字越大就可以得到的是一个节点脑区吗，这个数字的选择有没有什么讲究之类的，多有打扰，感谢老师，期待您的回复，谢谢。
(1) 使用ICA去定义节点，然后构造网络的方法，我觉得并没有比用分区模板的会更好一些，因为据我所知并没有特别坚实的证据来证明这一点。（2）一般会采用更高的成分数，因为这样得到的成分更细致一下，涉及的脑区比较少（在成分数低的时候，得到的成分更像一个网络，涉及到很多脑区）。（3）这个成分数没有什么特别的讲究，因为每个数据集自动估计的成分数也不一样，也没有什么明确的原则去人为指定一个成分数。这也是（我认为）使用ICA方法最大的一个弊端，成分数不一样结果往往不同，但是又没有明确的确定成分数的准则。
老师您好，我想问一下在做完动态连接的聚类分析后，得到的每个被试在每个状态下的连接矩阵的数据储存在哪个文件中呢？
抱歉，这个我确实不懂，因为没有用GIFT做过动态连接的分析。不过根据我个人的使用经验，你可以每个.mat文件都去打开看看，从矩阵维度上应该能推测出来，再和图形界面的结果核对一下。另外，也可能保存的不是每个状态下的矩阵，而是状态的标签，比如哪些时间点是同一个状态。