今天介紹EEG數(shù)據(jù)處理系列教程5，在前面的幾期中，已經(jīng)介紹了數(shù)據(jù)基本處理過程，可以參見以下鏈接:

EEGLAB系列教程1：安裝和啟動 EEGLAB

EEGLAB系列教程2：在 EEGLAB 中管理數(shù)據(jù)集

(相關資料圖)

EEGLAB系列教程3：在 EEGLAB 中建立location

EEGLAB系列教程4：在 EEGLAB 中預處理數(shù)據(jù)1

在很久之前，我也利用analyzer軟件進行了ICA去噪的教程分享，可以參考鏈接:

獨立成分分析（ICA）

在運行ICA之前，通過前面的系列教程可以剔除了不好的通道和肉眼可見的不好數(shù)據(jù)段。然后在來運行ICA是更好的。

運行 ICA

對連續(xù) EEGLAB 數(shù)據(jù)集進行ICA，選擇Tools → Decompose data by ICA。將調用函數(shù)pop_runica。如使用默認選項運行 ICA，只需按OK即可。

如使用高導聯(lián)（128導及以上），可以將選擇的commandline option參數(shù)進行修改，選取其中的一部分數(shù)據(jù)進行PCA提取成分。

正常運行過程：

ICA 算法

EEGLAB 允許嘗試不同的 ICA 算法。Infomax ICA 使用runica、 Jader 算法使用jamer.m和 SOBI 算法使用sobi.m這些都是EEGLAB 默認算法。通過下拉選擇即可選擇算法。

另外需要使用 FastICA 算法，必須安裝FastICA 工具箱并將其添加到MATLAB 路徑中。

查看 ICA 成分

runica.m給出的成分順序是按每個成分計算的 EEG 方差的降序排列。

IC成分激活（時間進程）

依時間進程查看IC成分，選擇Plot → component activiations（scroll）。滾動瀏覽 ICA 激活，可以很容易地發(fā)現(xiàn)占特征偽影的成分。例如，在下面的展示中，成分 3 可能是眨眼成分。

繪制2-D成分頭皮圖

繪制 2-D 頭皮成分圖，選擇Plot → Component maps → In 2-D。然后由函數(shù)pop_topoplot生成交互式窗口（如下） 。只需按確定即可繪制所有成分。

出現(xiàn)以下圖片，顯示所選成分頭皮顯示圖。

優(yōu)化 ICA 分解的質量

ICA是利用機器學習的算法，對EEG數(shù)據(jù)進行成分分解。它是將所有訓練數(shù)據(jù)都考慮在內，當訓練數(shù)據(jù)中留下太多類型的噪聲—復雜的運動偽影、電極壞道等，這些壞數(shù)據(jù)特征將對ICA分解會產(chǎn)生影響。因此，向 ICA 提供盡可能多的干凈 EEG 數(shù)據(jù)才是最佳的。（剔除較大的明顯的偽跡數(shù)據(jù)）

在 ICA 之前與自動偽跡剔除相關的問題

ICA 之前的自動偽跡剔除可能會刪除部分數(shù)據(jù)（如：較大的眨眼等），當然這也可以通過 ICA方法進行校正。但是，降低自動偽跡剔除的閾值可能會保留太多 ICA 無法刪除的偽跡。在這種情況下，推薦以下操作步驟：

1.從已最少清除偽跡（或僅刪除壞通道）的數(shù)據(jù)集開始

2.在這個數(shù)據(jù)集上運行 ICA

3.識別不良 ICA 成分并從數(shù)據(jù)中刪除

4.使用更嚴格的閾值或剔除偽跡方法再次清理ICA后的數(shù)據(jù)集，以刪除數(shù)據(jù)的剩余偽跡部分

將 ICA 應用于分段數(shù)據(jù)而不是連續(xù)數(shù)據(jù)

一般來說，建議對連續(xù)數(shù)據(jù)使用 ICA，而不是已提取的分段數(shù)據(jù)。首先，分段數(shù)據(jù)已經(jīng)減少了樣本數(shù)量，當存在更多數(shù)據(jù)時，ICA 成分的質量會更高些。其次，刪除分段數(shù)據(jù)的基線會對ICA 產(chǎn)生重大影響，因為它會在每個通道中引入隨機偏移，這是 ICA 無法建?；蜓a償?shù)?。雖然可以提取分段時不刪除基線，但是在運行 ICA 之后，基線可能會被刪除。

將 ICA 應用于分段數(shù)據(jù)也是可能的。ICA 期望數(shù)據(jù)是平穩(wěn)的，即相同的統(tǒng)計模型正在生成所有數(shù)據(jù)樣本。如果您在 分段之后有足夠的數(shù)據(jù)，那么分段數(shù)據(jù)可能更可取，因為它會更加穩(wěn)定。但是，在對不同事件進行分段以生成不同數(shù)據(jù)集時，我們建議對所有條件使用相同的 ICA 分解。實際上，這可能意味著在運行 ICA 之前創(chuàng)建一個包含所有分段類型的數(shù)據(jù)集。假設所有數(shù)據(jù)在統(tǒng)計上相似，更多的數(shù)據(jù)通常會提供更好的 ICA 分解。更長的時期更可取，因為它們?yōu)?ICA 產(chǎn)生更多數(shù)據(jù)（假設平穩(wěn)性成立。）

自動檢測偽跡ICA成分

目前，Luca Pion-Tonachini的ICLabel插件是 EEGLAB 默認安裝的 EEGLAB 插件，它提供了對每個獨立成分（大腦、眼動、肌肉、線路噪聲等）類型的估計。ICLabel 的目標是開發(fā)一種足夠可靠和準確的腦電圖 IC 分類器，可用于大規(guī)模研究。當前的分類器實現(xiàn)是在數(shù)千個手動標記的 IC 和數(shù)十萬個未標記的 IC 上進行訓練的。更多信息可以在ICLabel 參考文章中找到。

運行 ICA 后，選擇菜單項Tools → Classify components using ICLabel → Label components。只需選擇默認值，然后按 OK。

將彈出以下窗口并要求繪制成分。只需按確定。

單擊一個成分將彈出一個窗口，包含其成分屬性以及屬于每種類型的估計概率。IC 成分將與它們最可能屬于的類別以及屬于該類別的可能性一起繪制。

然后可以選擇菜單項Tools → Classify components using ICLabel → Flag components as artifacts。默認設置是標記那些有超過 90% 的概率屬于肌肉或眼動偽跡（眨眼和眼球運動）類別的成分。使用此功能標記成分時，手動拒絕成分的界面中的按鈕將顯示為紅色（Tools→Reject componengts by map），可以編輯哪些成分將其標記為偽跡。

剔除 ICA 成分

刪除成分，使用菜單欄Tools → Remove components from data。

結果窗口（下圖）中默認包含的前面標記的偽跡成分編號。

可以點擊"Yes"或"Manual reject"按鈕來手動編輯成分列表，如下所示。

輸入需要剔除的成分編號，然后點擊Ok。會彈出對話框窗口，詢問是否要比較剔除成分前后的數(shù)據(jù)，如下圖。

單擊Plot single trials按鈕。顯示（下圖）在（黑色）和之后（紅色）分量剔除之前的數(shù)據(jù)。我們可以清楚地看到 ICA 去除眨眼偽跡的效果如何。

如果是在分段數(shù)據(jù)時期中刪除 ICA 成分，可以單擊Plot ERPs按鈕，獲得類似的下圖，繪制通道 ERP 之前（藍色）和之后（紅色）剔除后的數(shù)據(jù)結果。

一旦對結果感到滿意，點擊接受按鈕。將彈出另一個窗口，詢問是否要重命名新數(shù)據(jù)集。輸入新名字，保存數(shù)據(jù)集，然后再次按Ok。

最后附上網(wǎng)絡上總結的經(jīng)典成分識別:

眨眼成分

成分判斷：眨眼成分

判斷依據(jù)：

1.在頭皮地形圖的前端分布；

2.ERP圖像中有小方塊；

3.隨機分布；

4.功率譜圖中，低頻能量高；

5.成分排序較為靠前，像這個示例中，為IC3

顏色的深淺有意義，但是紅還是藍無所謂，大紅大藍都可以的。

眼動成分

成分判斷：眼動成分

判斷依據(jù)：

1.在頭皮地形圖的前端兩側分布，紅藍相對；

2.在ERP圖像中，長條狀，紅藍相間；

3.隨機分布；

4.在功率譜圖中低頻能量高

5.分量排序靠前，但一般在眨眼后面，在該示例中為IC5.

頭動成分

成分判斷：頭動成分

判斷依據(jù)：

1.在頭皮地形圖中分布在周圍；

2.在ERP圖像中呈現(xiàn)長條狀；

3.隨機分布；

4.在單個trial里有非常明顯(非常長)的飄移。

成分判斷：心電成分

成分判斷：心電成分

判斷依據(jù)：

1.在ERP圖像中呈雨點般散落狀。

成分判斷：工頻干擾

判斷依據(jù)：

1.頭皮地形圖顯示分布在地線周圍；

2.在ERP圖像中單個trail上的分布非常規(guī)律；

3.在功率譜圖中，50Hz左右能量最高(有劇烈的峰值)。

ICA判斷網(wǎng)站，若是對ICA成分不熟悉，可以看看這個網(wǎng)站的介紹

網(wǎng)址：https://labeling.ucsd.edu/tutorial/labels

參考網(wǎng)址：

https://github.com/sccn/ICLabel

https://labeling.ucsd.edu/tutorial/format

Groppe, D. M., Makeig, S., & Kutas, M. (2009). Identifying reliable independent components via split-half comparisons. NeuroImage, 45(4), 1199–1211. https://doi.org/10.1016/j.neuroimage.2008.12.038

Luca Pion-Tonachini, Ken Kreutz-Delgado, Scott Makeig,ICLabel: An automated electroencephalographic independent component classifier, dataset, and website,NeuroImage,Volume 198,2019,Pages 181-197,ISSN 1053-8119,https://doi.org/10.1016/j.neuroimage.2019.05.026.

本文作者：陳銳

本文僅供學習參考，有任何疑問及侵權，掃描以下公眾號二維碼添加交流：

更多學習內容，僅在知識星球發(fā)布：

關鍵詞： 隨機分布 獨立成分