独立成分分析(independent component analysis, ICA)近年来广泛用于功能磁共振(functional magnetic resonance imaging, fMRI)数据处理研究中,主要包括空间独立成分分析(spatial-ICA, sICA)和时间独立成分分析(temporal-ICA, tICA)。由于fMRI数据的空间维数远大于时间维数,因此空间独立成分分析占主导位置。Mantini等认为静息态大脑存在6个内源性网络系统:缺省模式网络、背侧注意网络、视觉、听觉、运动感觉区域和自我参照系统。各个特定的网络负责人体相应的功能。癫痫是一种危害性极大的神经系统多发疾病,长期的癫痫发作可能会引起相应静息态网络的改变,应用fMRI研究癫痫缺省模式网络和背侧注意网络等静息网络的特性,将会对癫痫的临床诊治具有指导意义。本文对sICA的数学模型进行了深入研究,采用基于独立成分分析的Goodness-of-fit方法来对人脑静息态网络进行研究,结果表明该方法是有效的。论文的主要研究内容及创新点如下:研究了fMRI数据的sICA模型并进行了仿真,利用sICA方法对构造的混合数据进行处理,从时间准确性方面对结果进行评价,结果表明sICA可以有效地从混合数据中分离出空间独立的成分。首次将基于独立成分分析的Goodness-of-fit方法应用于单侧颞叶癫痫病人的缺省模式网络分析。结果表明:单侧颞叶癫痫患者的缺省模式网络相比正常人,大部分区域功能连接度下降,以前额叶和同侧颞上回为著,这可能是由于颞叶癫痫患者的大脑功能内源性组织发生破坏。首次将基于独立成分分析的Goodness-of-fit方法应用于单侧颞叶癫痫病人的背侧注意网络分析。结果表明:颞叶癫痫患者的背侧注意网络相比正常人,大部分区域功能连接度下降,以双侧顶内沟、额中回、右侧小脑后叶区域为著,这可能是由于颞叶癫痫患者的大脑功能内源性组织发生破坏。上述分析表明:相比正常人,单侧颞叶癫痫患者的缺省模式网络以及背侧注意网络拟合度值均下降,这为单侧颞叶癫痫患者提供了灵敏的生物信号特征。该结果有利于对癫痫的临床诊治。