第4章:使用 ICA 去除伪迹¶

滤波和重新参考处理的是宽频段、可预测的噪声;独立成分分析(ICA)处理的则是那些与真实脑信号频段重叠的伪迹——主要是眨眼、眼动和肌肉活动——这与 MNE-Python 线索的 ICA 一章中用代码解决的是同一个问题。

运行 ICA¶

Tools → Decompose data by ICA 运行一个分解算法——默认是 runica(经典的 Infomax 算法),对于更大的数据集也可以选择更快的方法,如 AMICA——把记录分解为数量等于通道数的、统计上相互独立的成分。根据数据长度和通道数不同,这个过程可能从不到一分钟到几十分钟不等。

查看成分¶

ICA 完成后,三种图(都在 Plot 菜单下)有助于判断哪些成分是伪迹而非脑信号:

Component maps —— 每个成分的头皮地形图;眨眼成分通常在额叶电极上呈现出清晰、对称的模式。
Component activations —— 每个成分的时间序列;眨眼成分通常表现为与原始滚动视图中可见眨眼相对应的、稀疏的大幅尖峰。
Component spectra —— 以肌肉活动为主的成分,在高频段呈现宽带的功率上升,而不是脑信号那种平滑的类 1/f 形状。

借助分类器:ICLabel¶

逐个用肉眼判断每个成分是可行的,但既慢又因人而异。ICLabel 插件(安装方式与 ERPLAB 相同,通过 File → Manage EEGLAB extensions)对每个成分运行一个训练好的分类器,并给出标签——Brain、Eye、Muscle、Heart、Line Noise、Channel Noise 或 Other——以及一个置信度分数,把"这看起来像不像眨眼"这种判断变成一个可以在不同被试间统一设定阈值的数值。

去除伪迹成分¶

一旦你标记出哪些成分是伪迹(通过肉眼判断、ICLabel,或两者结合),Tools → Remove components from data 就会精确减去这些成分的贡献,重建出一份清洗后的记录——与 MNE-Python 中 ica.apply() 采用的"去除而非仅仅忽略"的方式相同。

下一章: 第5章 — 事件与分段