In the past decade, numerous advances in the study of the human brain were fostered by successful applications of blind source separation (BSS) methods to a wide range of imaging modalities. The main focus has been on extracting “networks” represented as the underlying latent sources. While the broad success in learning latent representations from multiple datasets has promoted the wide presence of BSS in modern neuroscience, it also introduced a wide variety of objective functions, underlying graphical structures, and parameter constraints for each method. Such diversity, combined with a host of datatype-specific know-how, can cause a sense of disorder and confusion, hampering a practitioner's judgment and impeding further development. We organize the diverse landscape of BSS models by exposing its key features and combining them to establish a novel unifying view of the area. In the process, we unveil important connections among models according to their properties and subspace structures. Consequently, a high-level descriptive structure is exposed, ultimately helping practitioners select the right model for their applications. Equipped with that knowledge, we review the current state of BSS applications to neuroimaging. The gained insight into model connections elicits a broader sense of generalization, highlighting several directions for model development. In light of that, we discuss emerging multidataset multidimensional models and summarize their benefits for the study of the healthy brain and disease-related changes.

中文翻译：

---

单模态和多模态脑网络的盲源分离：子空间建模的统一框架

在过去的十年中，盲源分离 (BSS) 方法在广泛的成像模式中的成功应用促进了人类大脑研究的许多进步。主要重点是提取代表潜在潜在来源的“网络”。虽然从多个数据集学习潜在表示的广泛成功促进了 BSS 在现代神经科学中的广泛存在，但它也为每种方法引入了各种各样的目标函数、底层图形结构和参数约束。这种多样性与大量特定于数据类型的专有技术相结合，可能会导致混乱和混乱感，妨碍从业者的判断并阻碍进一步的发展。我们通过暴露 BSS 模型的关键特征并将它们结合起来以建立该区域的新颖统一视图来组织 BSS 模型的多样化景观。在此过程中，我们根据模型的属性和子空间结构揭示模型之间的重要联系。因此，公开了高级描述结构，最终帮助从业者为其应用程序选择正确的模型。掌握了这些知识，我们回顾了 BSS 应用到神经影像学的当前状态。对模型连接的深入了解引发了更广泛的概括，突出了模型开发的几个方向。有鉴于此，我们讨论了新兴的多数据集多维模型，并总结了它们对研究健康大脑和疾病相关变化的好处。我们根据模型的属性和子空间结构揭示模型之间的重要联系。因此，公开了高级描述结构，最终帮助从业者为其应用程序选择正确的模型。掌握了这些知识，我们回顾了 BSS 应用到神经影像学的当前状态。对模型连接的深入了解引发了更广泛的概括，突出了模型开发的几个方向。有鉴于此，我们讨论了新兴的多数据集多维模型，并总结了它们对研究健康大脑和疾病相关变化的好处。我们根据模型的属性和子空间结构揭示模型之间的重要联系。因此，公开了高级描述结构，最终帮助从业者为其应用程序选择正确的模型。掌握了这些知识，我们回顾了 BSS 应用到神经影像学的当前状态。对模型连接的深入了解引发了更广泛的概括，突出了模型开发的几个方向。有鉴于此，我们讨论了新兴的多数据集多维模型，并总结了它们对研究健康大脑和疾病相关变化的好处。最终帮助从业者为他们的应用选择正确的模型。掌握了这些知识，我们回顾了 BSS 应用到神经影像学的当前状态。对模型连接的深入了解引发了更广泛的概括，突出了模型开发的几个方向。有鉴于此，我们讨论了新兴的多数据集多维模型，并总结了它们对研究健康大脑和疾病相关变化的好处。最终帮助从业者为他们的应用选择正确的模型。掌握了这些知识，我们回顾了 BSS 应用到神经影像学的当前状态。对模型连接的深入了解引发了更广泛的概括，突出了模型开发的几个方向。有鉴于此，我们讨论了新兴的多数据集多维模型，并总结了它们对研究健康大脑和疾病相关变化的好处。