ICA算法处理后,ICA成分识别
今天Rose分享一篇关于脑电成分、眼电成分等判断。
当Run ICA结束后,我们一般会判断ICA成分对应的是什么成分,是眨眼成分还是水平眼动成分或是线路噪声成分。
眼电判断的时候,可以结合头皮地形图、ERP图、每个成分功率谱图,以及矫正之后的脑电图是否有差异,进行综合的评估。
[Tips]:在删除伪迹成分时,一般只在自己很确定伪迹主成分的情况下才删除,不然很可能会删除自己想要的成分。
如果跑出来的成分,没有出现明显的伪迹成分,可以多跑几次ICA;或者不分段重新跑一次;再或者再看看原始数据,删除杂乱的成分,重新再跑一次。
这是一步是很需要经验的步骤,若是自己把握不准,可以让有经验的人帮忙看看。
眨眼成分
成分判断: 眨眼成分
判断依据:
在头皮地形图的前端分布;
ERP图像中有小方块;
随机分布;
功率谱图中,低频能量高;
成分排序较为靠前,像这个示例中,为IC3
[注意]:颜色的深浅有意义,但是红还是蓝无所谓,大红大蓝都可以的。
眼动成分
成分判断: 眼动成分
判断依据:
在头皮地形图的前端两侧分布,红蓝相对;
在ERP图像中,长条状,红蓝相间;
随机分布;
在功率谱图中低频能量高
分量排序靠前,但一般在眨眼后面,在该示例中为IC5.
头动成分
成分判断: 头动成分
判断依据:
在头皮地形图中分布在周围;
在ERP图像中呈现长条状;
随机分布;
在单个trial里有非常明显(非常长)的飘移。
心电成分
成分判断:心电成分
判断依据:
1.在ERP图像中呈雨点般散落状。
成分判断:工频干扰
判断依据:
头皮地形图显示分布在地线周围;
在ERP图像中单个trail上的分布非常规律;
在功率谱图中,50Hz左右能量最高(有剧烈的峰值)。
ICA判断网站,若是对ICA成分不熟悉,可以看看这个网站的介绍
网址:https://labeling.ucsd.edu/tutorial/labels
参考"行上行下"的内容并进行整理。
感谢简书ID:亚内士多德
授权分享
查看ICA成分
在计算完ICA之后,有几种方法可以查看ICA成分。
1.Tools >> reject data using ICA >> reject component by map
点击这里会画出所有ICA成分的缩略图,可以有一个全局观。在这里大致观察后如果觉得哪个成分有问题,可以点击查看大图
all component
点击地形图上方的数字来查看该成分的具体信息
2.Plot >> component properties
点击这里之后输入要查看的ICA成分,我这里输入的是1到54。之后eeglab会把这54个成分的具体信息都画出来。
识别ICA成分
画出具体信息之后,我们首先要认识一下这张图上各个地方代表什么。首先以这个成分为例。
而上面这个成分,能量分布在好几个电极点上,能量也是逐渐降低的,因此我们认为它是一个正常的成分。
而上面这两个成分,也可以通过上述标准来拒绝掉。
而上面这个成分,虽然下方的能量图看起来问题不大,但是通过右上角可以看出,能量主要集中在某几个trial。因此我们可以推测,这个成分是左上角这个电极点在某几个trials里坏掉了。
而上面这个成分,虽然后方有一个电极点有较深的红色,但是其他地方也均匀分布着能量,所以不认为这是一个坏的成分
虽然这个成分能量也集中在左下方电极点处,并且其他地方的能量基本为0。但是从右上方的图可以看出,能量均匀地出现在每一个trial的某个时间段处。因此,这很有可能是在左后方出现的一个ERP成分
同样,根据右上角的图可以看出,上面这两个也是明显的ERP成分
上面这个能量左右相对,虽然是左边强一点而右边弱一点,且低频能量高,很有可能是眼瞟成分。
而这个能量集中在正前方,且低频能量高,成分排序成分最靠前,是一个很明显的眼动成分。
判断标准
其实ICA成分的判断是没有标准的,全靠个人经验和标准,有的人比较宽松,有的人则比较严格。以上这些判断方法仅供参考。
如果不确定这个成分是不是伪迹,可以先保留着。或者多做几次ICA来判断,或者分别做一次剔除和一次未剔除的结果来比较看看。
文章来源于网络,仅用于学术,不用于商业行为,
若有侵权及疑问,请后台留言!
更多阅读
眼电、脑电视频课程汇总
DIY混合BCI刺激系统:SSVEP-P300 LED刺激
EMD算法之Hilbert-Huang Transform原理详解和案例分析
EEGLAB 使用教程 3 -参考电极和重采样
第2期 | 国内脑机接口领域专家教授汇总
精彩长文 | 脑机接口技术的现状与未来!
ICA处理脑电资料汇总
收藏 | 脑电EEG基础与处理汇总
脑机接口BCI学习交流QQ群:903290195
ICA算法处理后,ICA成分识别相关推荐
- ica算法c语言,独立成分分析(ICA)的模拟实验(R语言)
本笔记是ESL14.7节图14.42的模拟过程.第一部分将以ProDenICA法为例试图介绍ICA的整个计算过程:第二部分将比较ProDenICA.FastICA以及KernelICA这种方法,试图重 ...
- 浅谈ICA算法的概念、本质和流程
本文转自http://m.elecfans.com/article/699564.html ICA独立成分分析是近年来出现的一种强有力的数据分析工具(Hyvarinen A, Karhunen J, ...
- fastica和pca区别_浅谈ICA算法的概念、本质和流程
ICA独立成分分析是近年来出现的一种强有力的数据分析工具(Hyvarinen A, Karhunen J, Oja E, 2001; Roberts S J, Everson R, 2001).199 ...
- 独立成分分析ICA系列5:信息极大化的 ICA 算法
1.ICA基本理论再综述 在实际应用中,可以通过传感器得到一系列观测信号,这些观测信号是由未知源信号经过某种混合系统的输出,如在移动通信中,源信号经过发射机天线发出后,在无线信道中经过不确定的混合和干 ...
- ica人脸识别 matlab,ICA算法和人脸识别程序
1. ICA算法扩展描述 <Independent Component Analysis:Algorithms and Applications>(Aapo Hyvärinen and E ...
- 【机器学习】ICA算法简介
转自:https://blog.csdn.net/lg1259156776/article/details/51132160 ICA算法的研究可分为基于信息论准则的迭代估计方法和基于统计学的代数方法两 ...
- 【fast ICA】基于fast ICA算法的去除伪迹matlab仿真
1.软件版本 matlab2021a 2.本算法理论知识 FAST方法,步骤如下所示: 3.核心代码 clc; clear; close all; warning off; addpath 'func ...
- ICA算法-盲源分离
ICA算法的研究可分为基于信息论准则的迭代估计方法和基于统计学的代数方法两大类,从原理上来说,它们都是利用了源信号的独立性和非高斯性.基于信息论的方法研究中,各国学者从最大熵.最小互信息.最大似然和负 ...
- 监督学习:KNN(K-近邻)算法实现手写数字识别的三种方法
没人会看的开场白:本来觉得自己从数据建模转人工智能方向应该问题不大(自我感觉自己算法学的不错).结果一个K-邻近实现手写数字识别的代码就让我改了三四天.虽然网上这方面的代码是很多,但是我运行了好几个, ...
最新文章
- codeception (4)Yii2下创建Acceptance Tests(验收测试)
- Hibernate和JDBC、EJB比较
- Android App监听软键盘按键的三种方式
- UCOS在LPC上的移植
- @EnableAutoConfiguration注解的实现原理
- day19 复习,组合和继承
- d3 tip mysql_mysql
- 【Python】循环的拓展
- 实际开发的存储过程_实际生产中的 Android SDK开发总结| 完结
- 编码之道:是谁制造了混乱
- 解读mpvue官方文档的Class 与 Style 绑定及不支持语法
- 程序人生-Hello’s P2P
- spotfire中文使用教程含演示数据以及二次开发思路整理
- java 防重复提交_Java中如何避免重复提交请求
- FPGA之OV7725摄像头采集与VGA显示实验--3--摄像头配置模块实现(Verilog代码)
- 多线程同步有几种实现方法C语言,线程同步与并发
- yt-dlp教程如何下载高清视频
- 教育培训机构经营技巧
- 京冀41所医院和急救中心成为北京冬奥会定点医院
- 【微信小程序】个人信息页面/我的页面