TCGICA（Temporal Concatenation Group ICA）是最常用的组水平ICA算法，TCGICA的基本原理就是将多被试的数据在时间维度上进行连接，再使用经典ICA算法分解数据（Calhoun et al., 2001）。在使用TCGICA分析数据时，一个有趣的现象是，在成分数比较高的时候，默认网络（Default Mode Network, DMN）的核心节点会出现在不同的独立成分中（Kiviniemi et al., 2009），在文献中常称为“默认网络分裂”（DMN splitting）。如图1所示，在成分数为30时，在一个成分中包含默认网络的所有典型节点，但是在成分数为100时，在一个成分中就几乎只包含楔前叶/后扣带回节点了。
很长一段时间里，“默认网络分裂”的现象常被解读为默认网络存在子网络结构，但是这种解读与其他方法得到的结论不相符合。在使用种子点功能连接或者图论分析的研究里，楔前叶/后扣带回与内侧前额叶具有很强的功能连接。考虑到TCGICA算法的原理特点，我们猜测“默认网络分离”现象可能是一种估计偏差，而导致这种偏差的原因是不同个体间的变异性。我们在多个公开数据集和模拟数据上进行了验证，发现随着数据中包含的个体间变异的增加，“默认网络分离”现象就越明显（Hu & Yang, 2021）。这项研究表明我们应该谨慎使用TCGICA算法分析数据。
参考文献
- Calhoun, V. D., Adali, T., Pearlson, G. D., & Pekar, J. J. (2001). A method for making group inferences from functional MRI data using independent component analysis. Human brain mapping, 14(3), 140–151. https://doi.org/10.1002/hbm.1048
- Hu, Y., & Yang, Z. (2021). Impact of inter-individual variability on the estimation of default mode network in temporal concatenation group ICA. NeuroImage, 237, 118114. https://doi.org/10.1016/j.neuroimage.2021.118114
- Kiviniemi, V., Starck, T., Remes, J., Long, X., Nikkinen, J., Haapea, M., Veijola, J., Moilanen, I., Isohanni, M., Zang, Y. F., & Tervonen, O. (2009). Functional segmentation of the brain cortex using high model order group PICA. Human brain mapping, 30(12), 3865–3886. https://doi.org/10.1002/hbm.20813