研究领域：脑连接学习；内容：论文阅读；实现：Python简单实现

学习一种能够利用Python实现脑电波运动轨迹可视化的技术
SCoT——一个面向Python的源连通性工具箱
该研究通过应用MVARICA方法，展示了盲源分解与连通性估计的具体实现过程。

背景知识
衡量大脑不同区域之间的交互作用是神经科学领域中具有重要意义的研究手段。
在空间上分离的大脑区域能够构建出动态的大规模网络结构，这些网络通常借助功能连通性和有效连通性进行描述。
尽管功能连通性可以反映同步激活的状态，但有效连通性则能够揭示区域之间存在的因果关系。

通过引入VAR模型，可以从多通道EEG信号中推导出连接性的信息。
估算源活动的常用方法包括原定位技术以及独立成分分析（ICA）。ICA能够在不依赖头部模型的情况下完成EEG通道的盲分解。从ICA得到的源信号可被视作来源于皮层偶极子。

**MVARICA **

EEG–> PCA–>VAR–> ICA
首先采用主成分分析（PCA）对EEG数据进行转换：yn = Cxn = CMsn
其中yn包含经过PCA转换后的EEG信号。
对PCA转换矩阵C进行裁剪，以去除对总EEG方差贡献最小的部分。此操作有助于降低后续处理的维度，并控制MVARICA所能识别的光源数量。
其次，在yn上拟合具有系数A（k）和残差过程rn的VAR模型：yn = p k = 1 A（k）yn-k + rn