# 独立成分分析（Independent Component Analysis, ICA）

## 核心定义
独立成分分析是一种统计与信号处理技术，旨在从多元观测数据中分离出统计独立的潜变量（源信号）。它假定观测是多个非高斯、相互独立的源信号的线性混合，通过最大化输出信号的非高斯性或互信息最小化，反向估计源信号。ICA 是盲源分离（BSS）的主流方法，尤其适用于混合先验未知的场景。

## 关键技术点
1. **非高斯性与统计独立性**  
   ICA 依赖中央极限定理：多个独立源的和趋向高斯分布，因此越非高斯的数据越可能接近单一源。算法通常以峭度或负熵衡量非高斯性，作为优化目标。

2. **预处理：中心化与白化**  
   - 中心化：减均值使数据零均值。  
   - 白化：线性变换消除观测间的相关性（如 PCA 降维），使协方差矩阵为单位阵，减少待估计参数，提升 ICA 收敛速度。

3. **典型算法：FastICA**  
   基于固定点迭代的快速算法，利用负熵近似（如 `log(cosh)` 非线性函数）和牛顿迭代，可并行计算，广泛用于高维数据（如脑磁/脑电图）。

4. **假设与局限**  
   - 假设：源非高斯、线性瞬时混合、数量≤观测通道。  
   - 局限：无法处理亚高斯与超高斯混合顺序确定性、振幅与符号模糊（但波形保留）、高阶依赖未被建模。

## 医学/神经科学应用场景：癫痫源定位与脑卒中后重塑分析
在首都医科大学神经病学研究中，ICA 被系统用于高密度脑电图（HD-EEG）和脑磁图（MEG）分析。

- **癫痫病灶定位**：将发作间期尖波从背景噪音及眼动、肌电伪迹中自动分离，通过独立成分的空间拓扑映射到大脑皮层，辅助识别致痫区，尤其适用于颞叶外局灶性癫痫。
- **脑卒中后运动恢复**：利用 ICA 分解任务态或静息态功能性 MRI（fMRI）数据，提取运动网络（如初级运动皮层、辅助运动区、小脑）的独立时序。结合动态因果模型，揭示卒中后健侧代偿机制与异常功能连接，为经颅磁刺激（TMS）康复靶点提供证据。
- **帕金森病脑节律分析**：对深层脑电图（如丘脑底核局部场电位 LFP）进行 ICA，分离 β 振荡（13-30Hz）与病理节律，量化多巴胺药物对振荡幅度的调制，优化闭环电刺激参数。

ICA 因其盲源分离特性，成为神经电生理与脑网络研究不可或缺的工具，但需结合先验知识严谨解释成分的生理含义。