独立成分分析（Independent Component Analysis, ICA）是一种常见的提取静息态脑功能网络的方法。由于ICA的数据驱动属性，我们经常会得到一些成分，但是不太清楚这些成分是什么网络。如图1所示，左侧的成分是我们熟知的默认网络（Default Mode Network, DMN），主要包含内侧前额叶、后扣带回/楔前叶以及双侧的外顶叶（Raichle, 2015）。在实际数据分析中我们经常遇到图中右侧所示的成分，它的特点是核心脑区位于默认网络的后扣带回/楔前叶节点附近，这种与默认网络空间上的临近性，使得它在文献中常被当作默认网络。
2015年有一篇综述（Gilmore et al., 2015）提出图1右侧所示的网络在认知功能上不同于默认网络，Gilmore等人将这个网络命名为顶叶记忆网络（Parietal Memory Network, PMN）。顶叶记忆网络主要负责对刺激熟悉性的加工，这与默认网络主要和自传体记忆有关不同。Gilmore等人后续也对顶叶记忆网络做了进一步的研究。虽然顶叶记忆网络和默认网络的关系还是很不清楚的，但至少说明不能简单地将顶叶记忆网络和默认网络混为一谈。
在这篇文献的基础上，我们考虑是，如果要研究默认网络和顶叶记忆网络的区别和联系，一个分析上的问题是，如何才能在ICA中得到这两个网络？为什么在ICA中并非总能得到这两个网络？我们分析可能和两个因素有关，一个是ICA中成分数的设置，成分数的高低反映的是保留的信号变异的多少，如果顶叶记忆网络能够解释的变异较少，那么成分数过低就无法分离出顶叶记忆网络；另一个是对数据的平滑程度，空间平滑是数据预处理中常见的步骤，由于默认网络和顶叶记忆网络在空间位置上的临近性，过大的空间平滑可能会导致两个网络的信号混淆在一起，从而无法分离这两个网络。我们在真实数据中验证了这一想法（Hu et al., 2016），确实发现在使用ICA的情况下，只有在较高成分数和较低平滑度的条件下，我们才可以稳定的分离出默认网络和顶叶记忆网络。至于应该将成分数和平滑程度设置为多少，这恐怕是跟具体数据情况有关（比如，数据的分辨率和信噪比等）。
参考文献
- Gilmore, A. W., Nelson, S. M., & McDermott, K. B. (2015). A parietal memory network revealed by multiple MRI methods. Trends in cognitive sciences, 19(9), 534–543. https://doi.org/10.1016/j.tics.2015.07.004
- Hu, Y., Wang, J., Li, C., Wang, Y. S., Yang, Z., & Zuo, X. N. (2016). Segregation between the parietal memory network and the default mode network: effects of spatial smoothing and model order in ICA. Science bulletin, 61(24), 1844–1854. https://doi.org/10.1007/s11434-016-1202-z
- Raichle M. E. (2015). The brain’s default mode network. Annual review of neuroscience, 38, 433–447. https://doi.org/10.1146/annurev-neuro-071013-014030