A kernel machine-based fMRI physiological noise removal method
关于，fmri研究中，生理噪声去除的价值：一、现在随着技术的提升，高场fmri越来越得到应用。高场能够提高图像的信噪比，但是生理噪声却也会提升。所以在高场成像分析中，生理噪声的去除会成为一个不可忽略的因素。二、在静息态fmri中，功能网络的检测依赖于低频的大脑自发信号。这些信号和生理噪声，在频率上，是有着类似的特征。为了提高静息态分析的准确性，去除生理噪声，是必须的操作。
在这篇论文中，作者试图采用pca分析fmri的数据，思想是从时域，或者说频率上将混叠的信号和噪音进行区分。
在进行前期论证中，作者提出了前人两种生理噪声去除方式：基于ica，将信号分解为线性可分的成分，线性独立的成分，完全是从线性代数，矩阵论的角度进行问题的考虑；基于采集时同步机制，是采集与心跳能够同步，但是呼吸就无法过滤了。
这里，采用pca，更准确地说，是非线性pca，基于kernel核函数的选择，将数据投影到高维空间。然后，在高维空间中，对这些特征进行筛选。
这里，作者又提出了新的解决思路，就是利用信息论，互信息的指标衡量一个特征到底是噪声，还是信号。它的思路是这样的，在坐标轴上，定两个点，点一为hrf血液动力学，点二为生理噪声指标，举个例子，这里在采集fmri数据时，同时对心脏的circle进行记录。如果，计算后的互信息离hfr点近，就代表为信号，如果离生理指标近，就代表是生理噪声。
这里，这篇文章最大的缺陷是，需要外部设备监测生理信号，这里主要是心动。
我们能够提出某种方法进行改进，比如利用cca 或者phycaa方法，得到生理特征，然后与这里的kernel-pca进行结合，甚至达到与它相同的结果，就可以算是一个非常重要的创新了。