第4章: ICAによるアーティファクト除去¶

第3章 — 前処理からの続きです。

フィルタリングと再リファレンスは、広帯域で予測可能な雑音を扱います。独立成分分析(ICA)は、実際の脳信号と周波数が重なるアーティファクト — 主に眼球のまばたき、眼球運動、筋活動 — を扱います。これはMNE-PythonのトラックのICAの章でコードとして取り組んだのと同じ課題です。

ICAの実行¶

Tools → Decompose data by ICAは分解アルゴリズムを実行します — デフォルトはrunica(古典的なInfomaxアルゴリズム)ですが、大規模データセット向けにはAMICAなどより高速な選択肢もあります。記録をチャンネル数と同じ数の統計的に独立な成分に分解します。データ長やチャンネル数に応じて、1分未満から数十分まで幅があります。

成分を見る¶

ICAが終わると、3種類のプロット(すべてPlotの下)が、どの成分が脳信号ではなくアーティファクトかを見分ける助けになります。

Component maps — 成分ごとのスカルプトポグラフィ。まばたき成分は前頭部電極上に鋭く左右対称なパターンを示します。
Component activations — 各成分の時系列。まばたき成分は、生データのスクロール表示で見えるまばたきと一致する、大きく疎なスパイクを示します。
Component spectra — 筋活動が支配的な成分は、脳信号のなだらかな1/f的な形状ではなく、高周波での広帯域的な立ち上がりを示します。

分類器に助けてもらう: ICLabel¶

すべての成分を目視で判断することは可能ですが、時間がかかり人によってばらつきます。ICLabelプラグイン(ERPLABと同じ方法、File → Manage EEGLAB extensionsでインストール)は、学習済みの分類器をすべての成分に適用し、それぞれをBrain、Eye、Muscle、Heart、Line Noise、Channel Noise、Otherのいずれかに信頼度スコア付きでラベル付けし、「これはまばたきに見えるか」という判断を、被験者間で一貫して閾値処理できる数値に変えてくれます。

アーティファクト成分の除去¶

どの成分がアーティファクトかをマークしたら(目視、ICLabel、またはその両方で)、Tools → Remove components from dataは、まさにそれらの成分の寄与を差し引き、クリーンな記録を再構成します — MNE-Pythonのica.apply()と同じ「無視するのではなく除去する」というアプローチです。

次へ: 第5章 — イベントとエポック化