在數據分析裡面，常見的降維方式有ICA，PCA，CCA，以及SVD等等。
而在腦血管病裡面，也有ICA，PCA，CCA，SVD等簡寫術語。那麼它們是相同的嗎？顯然不同，因此在跟不同學科的人交流的時候，要用它們的術語去理解。
這裡簡單說一下ICA，PCA，CCA，SVD在不同學科裡代表的含義。
在數據分析領域：
（1）ICA：Independent component analysis, 也叫獨立成分分析。它假設信號源統計獨立，通過矩陣線性變換，可以將感興趣的信號源（比如EEG信號）分離出來，而儘可能去掉無關信號（如眼電信號，肌電信號等等）。從而達到降噪，提高信噪比的目的。ICA是EEG預處理最常用的去噪分析方法之一。
圖1 | EEG裡面的ICA原理示意圖
（2）PCA：Principal component analysis，也叫主成分分析，最常見的降維算法之一。是指將一組線性相關的變量通過正交變換的方式，變為一組線性無關的變量，並且變換後信息的離散度（即原始數據在主成分，也可以叫做主特徵向量上的方差）儘可能最大，這樣才能保證信號的成分不會丟失太多。
圖 2 | 主成分分析示意圖
（3）CCA：Canonical correlation analysis，也叫典型相關分析。是一種利用綜合變量對之間的相關關係來反映兩組指標之間的整體相關性的多元統計分析方法。典型相關分析的實質在兩組隨機變量中選取若干個有代表性的綜合指標（變量的線性組合）, 用這些指標的相關關係來表示原來的兩組變量的相關關係。【來自參考資料1】
（4）SVD: Singular Value Decomposition, 也叫奇異值分解。是一種適用於任何矩陣的分解方式（尤其是對矩陣不滿秩的情況下）。我們平常學過的特徵值分解是在矩陣滿秩（此時的矩陣也叫非奇異矩陣）的情況下，而當矩陣不滿秩時特徵值分解就不適合了，此時用SVD是非常適合的。具體原理感興趣的同學可以知乎上學習。
在腦血管病領域：
（1）ICA：Internal Carotid Artery, 頸內動脈。
（2）PCA：Posterior Cerebral Artery，大腦後動脈。
（3）CCA：Common Carotid Artery，頸總動脈。
關於腦血管病裡的ICA，PCA和CCA，請參見下圖：
圖3 | 腦血管病裡面的ICA，PCA和CCA
（4）SVD：Small-vessel disease, 小血管病。大腦裡面指腦小血管病(CSVD, cerebral small-vessel disease)。
當然還有很多交叉學科的術語簡寫相同但是具有明顯不同的含義，如果有興趣的同學也可以郵件小編（20111210009@fudan.edu.cn）共同討論。
聲明：文中圖片均來自百度或谷歌，僅做學術交流用途！
部分參考資料：
[1] https://blog.csdn.net/u012990623/article/details/39274513
[2] 維基百科