letswave7中文教程3：脑电数据预处理-ICA去除伪影

更多技术干货第一时间送达

ICA/BSS的理论与模型

独立成分分析(ICA)是一种盲信号分离(Blind Signal Separation,BSS)方法。ICA可线性建模如下图所示.

假设X为”通道x时间”的脑电信号，S为”成分x时间”的源信号，A为混合矩阵。ICA的目的是找到混合矩阵A，使每一个分量(每一行)相互独立。根据线性模型，采用独立成分分析方法对脑电信号进行去伪迹处理。

1. 执行ICA算法得到混合矩阵A;

2. 自动得到源信号S = pinv(A)×X;

3. 在S中手动识别伪影成分，通过将相应的行设置为0，我们有S_bar;

4. 通过移除伪影后的S_bar，我们可以自动得到X_bar= A×S_bar。

信号X_bar是ICA伪影去除的结果。在Letswave7中，步骤2和步骤4可以自动完成，其中pinv(A)，也称为混合矩阵，是矩阵A的伪逆矩阵。步骤1 (computer ICAmatrix)和步骤3 (identify artifact component)需要手动执行。因此，在Letswave7中，我们需要两个步骤来完成ICA的移除伪影工作。

关于ICA之前也介绍过很多，可以查看:

1.ICA处理后，如何判断眼电、心电等成分？

2.结合matlab代码案例解释ICA独立成分分析原理

3.Scott等大神的33篇ICA独立成分分析论文汇总

4.ICA独立成分分析去除EEG伪影

5.eeglab教程系列(12)-学习和删除ICA组件

说明，这部分的教程是基于前面几次教程的基础上进行的。所以要进行ICA预处理进行伪影去除，需要:

1.先导入数据《letswave7中文教程1：软件安装与脑电数据导入》;

2.然后《letswave7中文教程2：脑电数据预处理-通道位置分配》，之后开始本节的教程。

第5步：计算ICA矩阵

在管理模块数据列表中选择“chan_interpbutt sel_chan sub093”数据集，在菜单中点击Process->Spatial filters(ICA/PCA)->Compute ICA matrix。

在Batch模块中，选择decide byuser 成分数量，设置Components Number(成分数量)为40。

[Tips:成分数量可以自己设定，一般小于通道数。]

点击Run按钮以进行不良电极插值。[注，这里运行需要一些时间，所以耐心等待]。

一个名为“icachan_interp butt sel_chan sub093”的新数据集将出现在管理器模块的数据列表中。

第6步：识别伪影成分

在得到ICA矩阵、混合矩阵A和逆混合矩阵pinv(A)后，我们需要人工识别其伪影分量。

在管理器模块数据列表中选择数据集“ica chan_interp buttsel_chan sub093”，在菜单中点击Process->Spatial filters(ica /PCA)->Applyica /PCA Spatial filter。

我们将看到用于手动删除空间过滤器成分的界面。

在这个界面中，不同的信息用不同的颜色来标记。黑色表示原始信号X，蓝色表示源信号S，橙色表示过滤后的信号X_bar。利用左侧面板中的黑色列表框，我们可以选择数据集、epoch和通道来检查原始信号X作为中间面板中的黑色曲线。接下来，我们可以选择左侧面板中蓝色的成分，来检查底部蓝色面板中源S中每个成分的时间/频率/空间特征。在我们将成分标识为而言之后，我们可以在右边的橙色面板中选择它们。相应地，中间面板中的橙色曲线将显示经过过滤的信号X_bar。我们可以立即检查ICA过滤器的结果。

在本研究中，我们将成分1识别为眨眼伪影。头皮地形图显示眼睛附近存在“等效电流偶极子”(ECD)。时域波形呈尖峰状，频域功率集中在低频(<5Hz)，说明该独立分量为眨眼伪影。

Comp1的时域波形图

Comp1的头皮地形图和频域功率图

Comp2的时域波形图

Comp2的头皮地形图和频域功率图

当我们通过选择右侧面板中的comp1移除该成分后，与中间面板中的橙色曲线X_bar和黑色曲线X相比，眨眼(blink)伪影已经被有效地移除。同样，成分2为伪像，具有侧向眼动。可以从头皮地形图上观察到清晰的证据。

在右边面板中选择橙色的comp1, comp 2，然后点击OK按钮。

一个名为sp_filterica chan_interp butt sel_chan sub093的新数据集将出现在管理器模块的数据列表中，这是ica去除伪影后的结果。

讨论

为了在Letswave7中运行ICA，需要讨论几件事情。

在菜单中，ICA矩阵计算有两项，分别是Compute ICA matrix和Compute ICA matrix(merged)。它们功能相似，但输入和输出不同。如果选择了多个数据集，则ComputeICA matrix将分别计算ICA矩阵。而Compute ICA matrix(merged)，letswave7首先将所有选定的数据集合并在一起，然后为所有数据集计算一个公共ICA矩阵。

在预处理中还应讨论ICA的操作顺序和分割。由于ICA是一种用于去除伪影的数据驱动方法，因此我们需要足够的数据来运行ICA。而过多的数据量会大大增加计算时间，但对结果准确性的提高是有限的。通常情况下，我们在分割后运行ICA，因为分割可以缩短数据长度，去除不相关的噪声。然而，在P300的研究中，试验之间的重叠非常严重，分割后运行ICA会不必要地增加计算时间。因此在这个示例里，我们先运行ICA，然后在分割。

在本示例中，我们通过选择成分数量为40来运行ICA。通常，可以分离的独立分量的最大数目等于原始信号X中的通道数目。在本例中，由于通道数64已经足够大，所以我们将独立组件的数量设置为40就可以了

letswave7以及rawdata1.zip 数据资源下载