Abstract The concept of resting state functional magnetic resonance imaging (fMRI) is built onto an original finding in 1995 that brain hemispheres present synchronous signal fluctuations with distinct patterns. fMRI measurements rely on blood oxygenation changes that indirectly mirror neural activity. Therefore, the origin of functional connectivity patterns, resting state networks (RSNs), has been a widely debated research question and numerous contributing factors have been identified. According to current understanding the fluctuations reflect maintenance of the system integrity in addition to spontaneous thought and action processes in the resting state. A popular method to study the functional connectivity in resting state fMRI is spatial independent component analysis (ICA) that decomposes signal sources into statistically independent components. The dichotomy of functional specialization versus functional integration has a correspondence in fMRI studies where RSNs play the integrative viewpoint of brain function. Although canonical large-scale RSNs are broadly distributed they also express modularity that can be accomplished by ICA with a high number of estimated components. The characteristics of high ICA dimensionality are broadly investigated in the thesis. An enduring issue in resting state research has been the confounding noise sources like motion and cardiorespiratory processes which may hamper the analysis. In this thesis the ability of ICA to separate these noise sources from the default mode network, a major RSN, is studied. Additionally, the suitability of ICA for full frequency spectrum analysis, a relatively rare setting in biosignal analysis, is investigated. The results of the thesis support the viewpoint of ICA as a robust analysis method for functional connectivity analysis. Cardiorespiratory and motion induced noise did not confound the functional connectivity analyses with ICA. High dimensional ICA provided better signal source separation, revealed the modular structure of the RSNs and pinpointed the specific aberrations in the autism spectrum disorder population. ICA was also found applicable for fully explorative analysis in both the spatial and temporal domains and indicated functional connectivity changes induced by transcranial bright light stimulation. / Tiivistelmä Konsepti lepotilan tutkimisesta toiminnallisella magneettikuvauksella (engl. functional magnetic resonance imaging, fMRI) on rakentunut vuonna 1995 tehdylle löydökselle aivopuoliskojen välillä synkronisesta signaalivaihtelusta. Mittaukset perustuvat veren hapetuksen muutoksiin, jotka epäsuorasti heijastelevat hermostollista toimintaa. Tämän takia toiminnallisen kytkennällisyyden muodot, lepotilaverkostot, ovat olleet laajasti väitelty tutkimusaihe ja monia verkostoihin vaikuttavia tekijöitä onkin tunnistettu. Nykykäsityksen mukaan signaalivaihtelut lepotilassa heijastelevat järjestelmän yhtenäisyyden ylläpitoa spontaanin ajattelun ja toiminnan lisäksi. Suosittu menetelmä toiminnallisen kytkennällisyyden tutkimiseen lepotilan fMRI:ssä on spatiaalinen itsenäisten komponenttien analyysi (engl. independent component analysis, ICA), joka hajottaa signaalilähteet tilastollisesti itsenäisiin komponentteihin. Aivotoiminnan mallintamisessa kahtiajaolla toiminnalliseen erikoistumiseen ja toiminnalliseen integraatioon on vastaavuus fMRI-tutkimukseen, jossa lepotilaverkostot vastaavat toiminnallisen integraation näkökulmasta. Vaikka kanoniset lepotilaverkostot ovat laaja-alaisia, ne ovat toisaalta modulaarisia, jota voidaan tutkia tutkimalla korkean komponenttimäärän ICA-hajotelmaa. Korkea- dimensioisen ICA-hajotelman ominaisuuksia tutkitaan laajasti tässä väitöskirjassa. Kestoaihe lepotilatutkimuksessa on ollut analyysiä hankaloittavien kohinalähteiden kuten liikkeen ja kardiorespiratoristen prosessien vaikutus. Väitöskirjassa tutkitaan ICA:n kykyä erotella kohinalähteitä ’default mode’ -verkostosta, joka on merkittävin lepotilaverkosto. Lisäksi tutkitaan ICA:n soveltuvuutta täyden taajuuskaistan analysointiin, joka on verrattain harvinaista biosignaalien analyysissä. Väitöskirjan tulokset tukevat näkemystä ICA:n suorituskyvystä toiminnallisen kytkennällisyyden analyysissä. Kardiorespiratorinen ja liikkeestä lähtöisin oleva kohina ei häirinnyt merkittävästi ICA-tuloksia. Korkeadimensioinen ICA tarjosi paremman erottelun signaalilähteille, paljasti lepotilaverkostojen modulaarisen rakenteen ja määritti erityisen poikkeaman autismin kirjon oireyhtymän populaatiossa. ICA:n havaittiin olevan soveltuva täyseksploratiiviselle analyysille ajassa ja avaruudessa; tulos viittaa toiminnallisen kytkennällisyyden muutoksiin kallon läpäisevän kirkasvalostimulaation aikaansaamana.