EEGLAB系列教程5：數(shù)據(jù)預(yù)處理2（ICA去偽跡）
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(guò)程，可以參見(jiàn)以下鏈接:
EEGLAB系列教程1：安裝和啟動(dòng) EEGLAB
EEGLAB系列教程2：在 EEGLAB 中管理數(shù)據(jù)集
EEGLAB系列教程3：在 EEGLAB 中建立location
EEGLAB系列教程4：在 EEGLAB 中預(yù)處理數(shù)據(jù)1
在很久之前，我也利用analyzer軟件進(jìn)行了ICA去噪的教程分享，可以參考鏈接:
在運(yùn)行ICA之前，通過(guò)前面的系列教程可以剔除了不好的通道和肉眼可見(jiàn)的不好數(shù)據(jù)段。然后在來(lái)運(yùn)行ICA是更好的。
運(yùn)行 ICA
對(duì)連續(xù) EEGLAB 數(shù)據(jù)集進(jìn)行ICA，選擇Tools → Decompose data by ICA。將調(diào)用函數(shù)pop_runica。如使用默認(rèn)選項(xiàng)運(yùn)行 ICA，只需按OK即可。
如使用高導(dǎo)聯(lián)（128導(dǎo)及以上），可以將選擇的commandline option參數(shù)進(jìn)行修改，選取其中的一部分?jǐn)?shù)據(jù)進(jìn)行PCA提取成分。
正常運(yùn)行過(guò)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(rèn)算法。通過(guò)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(gè)成分計(jì)算的 EEG 方差的降序排列。
IC成分激活（時(shí)間進(jìn)程）
依時(shí)間進(jìn)程查看IC成分，選擇Plot → component activiations（scroll）。滾動(dòng)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(zhì)量
ICA是利用機(jī)器學(xué)習(xí)的算法，對(duì)EEG數(shù)據(jù)進(jìn)行成分分解。它是將所有訓(xùn)練數(shù)據(jù)都考慮在內(nèi)，當(dāng)訓(xùn)練數(shù)據(jù)中留下太多類(lèi)型的噪聲—復(fù)雜的運(yùn)動(dòng)偽影、電極壞道等，這些壞數(shù)據(jù)特征將對(duì)ICA分解會(huì)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(dòng)偽跡剔除相關(guān)的問(wèn)題
ICA 之前的自動(dòng)偽跡剔除可能會(huì)刪除部分?jǐn)?shù)據(jù)（如：較大的眨眼等），當(dāng)然這也可以通過(guò) ICA方法進(jìn)行校正。但是，降低自動(dòng)偽跡剔除的閾值可能會(huì)保留太多 ICA 無(wú)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(kāi)始
2.在這個(gè)數(shù)據(jù)集上運(yùn)行 ICA
3.識(shí)別不良 ICA 成分并從數(shù)據(jù)中刪除
4.使用更嚴(yán)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(yīng)用于分段數(shù)據(jù)而不是連續(xù)數(shù)據(jù)
一般來(lái)說(shuō)，建議對(duì)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(dāng)存在更多數(shù)據(jù)時(shí)，ICA 成分的質(zhì)量會(huì)更高些。其次，刪除分段數(shù)據(jù)的基線會(huì)對(duì)ICA 產(chǎn)生重大影響，因?yàn)樗鼤?huì)在每個(gè)通道中引入隨機(jī)偏移，這是 ICA 無(wú)法建?；蜓a(bǔ)償?shù)?。雖然可以提取分段時(shí)不刪除基線，但是在運(yùn)行 ICA 之后，基線可能會(huì)被刪除。
將 ICA 應(yīng)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(jì)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?yàn)樗鼤?huì)更加穩(wěn)定。但是，在對(duì)不同事件進(jìn)行分段以生成不同數(shù)據(jù)集時(shí)，我們建議對(duì)所有條件使用相同的 ICA 分解。實(shí)際上，這可能意味著在運(yùn)行 ICA 之前創(chuàng)建一個(gè)包含所有分段類(lèi)型的數(shù)據(jù)集。假設(shè)所有數(shù)據(jù)在統(tǒng)計(jì)上相似，更多的數(shù)據(jù)通常會(huì)提供更好的 ICA 分解。更長(zhǎng)的時(shí)期更可取，因?yàn)樗鼈優(yōu)?ICA 產(chǎn)生更多數(shù)據(jù)（假設(shè)平穩(wěn)性成立。）
自動(dòng)檢測(cè)偽跡ICA成分
目前，Luca Pion-Tonachini的ICLabel插件是 EEGLAB 默認(rèn)安裝的 EEGLAB 插件，它提供了對(duì)每個(gè)獨(dú)立成分（大腦、眼動(dòng)、肌肉、線路噪聲等）類(lèi)型的估計(jì)。ICLabel 的目標(biāo)是開(kāi)發(fā)一種足夠可靠和準(zhǔn)確的腦電圖 IC 分類(lèi)器，可用于大規(guī)模研究。當(dāng)前的分類(lèi)器實(shí)現(xiàn)是在數(shù)千個(gè)手動(dòng)標(biāo)記的 IC 和數(shù)十萬(wàn)個(gè)未標(biāo)記的 IC 上進(jìn)行訓(xùn)練的。更多信息可以在ICLabel 參考文章中找到。
運(yùn)行 ICA 后，選擇菜單項(xiàng)Tools → Classify components using ICLabel → Label components。只需選擇默認(rèn)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(gè)成分將彈出一個(gè)窗口，包含其成分屬性以及屬于每種類(lèi)型的估計(jì)概率。IC 成分將與它們最可能屬于的類(lèi)別以及屬于該類(lèi)別的可能性一起繪制。
然后可以選擇菜單項(xiàng)Tools → Classify components using ICLabel → Flag components as artifacts。默認(rèn)設(shè)置是標(biāo)記那些有超過(guò) 90% 的概率屬于肌肉或眼動(dòng)偽跡（眨眼和眼球運(yùn)動(dòng)）類(lèi)別的成分。使用此功能標(biāo)記成分時(shí)，手動(dòng)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(biāo)記為偽跡。
剔除 ICA 成分
刪除成分，使用菜單欄Tools → Remove components from data。
結(jié)果窗口（下圖）中默認(rèn)包含的前面標(biāo)記的偽跡成分編號(hào)。
可以點(diǎn)擊"Yes"或"Manual reject"按鈕來(lái)手動(dòng)編輯成分列表，如下所示。
輸入需要剔除的成分編號(hào)，然后點(diǎn)擊Ok。會(huì)彈出對(duì)話框窗口，詢問(wèn)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(shí)期中刪除 ICA 成分，可以單擊Plot ERPs按鈕，獲得類(lèi)似的下圖，繪制通道 ERP 之前（藍(lán)色）和之后（紅色）剔除后的數(shù)據(jù)結(jié)果。
一旦對(duì)結(jié)果感到滿意，點(diǎn)擊接受按鈕。將彈出另一個(gè)窗口，詢問(wèn)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(luò)上總結(jié)的經(jīng)典成分識(shí)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(jī)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(gè)示例中，為IC3
顏色的深淺有意義，但是紅還是藍(lán)無(wú)所謂，大紅大藍(lán)都可以的。
眼動(dòng)成分
成分判斷：眼動(dòng)成分
判斷依據(jù)：
1.在頭皮地形圖的前端兩側(cè)分布，紅藍(lán)相對(duì)；
2.在ERP圖像中，長(zhǎng)條狀，紅藍(lán)相間；
3.隨機(jī)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(dòng)成分
成分判斷：頭動(dòng)成分
判斷依據(jù)：
1.在頭皮地形圖中分布在周?chē)?/span>
2.在ERP圖像中呈現(xiàn)長(zhǎng)條狀；
3.隨機(jī)分布；
4.在單個(gè)trial里有非常明顯(非常長(zhǎng))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(diǎn)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?chē)?/span>
2.在ERP圖像中單個(gè)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(duì)ICA成分不熟悉，可以看看這個(gè)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.
謝謝大家觀看，如有幫助，來(lái)個(gè)喜歡或者關(guān)注吧！
本文作者：陳銳
本文僅供學(xué)習(xí)參考，有任何疑問(wèn)及侵權(quán)，掃描以下公眾號(hào)二維碼添加交流：
更多學(xué)習(xí)內(nèi)容，僅在知識(shí)星球發(fā)布：
