用ICA去除脑电信号中的眼球链接

Question

我是scikit学习的新手，但我正在尝试去除单个EEG通道中的眨眼（噪声峰值）。 我在互联网上搜索过，但只看到一些更复杂的阅读材料，包括MNE、PyEEG或其他Python模块。我只想要一些简单的，只依赖sklearn的东西。这是我的代码：

#The channel containing some eye-blinks
X = f1ep1_data[:,[4]]

#run ICA on signal
ica = FastICA(n_components=2)
ica.fit(X)

#reconstruct signal with independent components
components = ica.fit_transform(X)
X_restored = ica.inverse_transform(components)

fig1 = plt.figure()
plt.subplot(3,1,1)
plt.title("Original signal")
plt.plot(f1ep1_timescale, X)

plt.subplot(3,1,2)
plt.title("Components")
plt.plot(f1ep1_timescale, components)

plt.subplot(3,1,3)
plt.title("Signal Reconstructed")
plt.plot(f1ep1_timescale, X_restored)
plt.draw()

我所期待的是分离成两个部分，更清晰的脑电图信号和眨眼。我想不出是什么问题。有人能帮忙吗？在

Answer 1

你有没有注意到你的“组件”完全是原始信号的比例和颠倒？这是因为你不能得到比信号更多的成分。在

您需要执行以下步骤：

1. 将所有EEG通道输入ICA
2. 手动移除包含眨眼或其他伪影的组件
3. 用反变换重构

让我们详细了解第2步：为什么要手动删除组件？ 伊卡对眨眼一无所知。它根据统计测量将信号分成不同的分量。如果幸运的话，这些部件中的一些看起来像是眨眼。在

到目前为止还可以，但真正的问题是没有定义组件的顺序。运行ICA，您可能会发现组件1包含眨眼。再次运行它，它们在组件3中。同样，它们都在第2和第5部分中。。。在

没有办法预先知道要移除哪些组件和多少个组件。这就是为什么每次运行时都需要手动告诉算法。在

在类似这样的代码中：

# Use all channels - they will contain eye blinks to varying degrees
X = f1ep1_data[:, :]

# run ICA on signal
ica = FastICA(n_components=x.shape[1])  # we want *all* the components
ica.fit(X)

# decompose signal into components
components = ica.fit_transform(X)

# plot components and ask user which components to remove
# ...
remove_indices = [0, 1, 3]  # pretend the user selected components 0, 1, and 3

# "remove" unwanted components by setting them to 0 - simplistic but gets the job done
components[:, remove_indices] = 0

#reconstruct signal
X_restored = ica.inverse_transform(components)

很可能你对手动步骤不满意。不幸的是：）2013年还没有一个健壮的自动算法来标记眨眼成分。我不认为这已经改变，但如果有什么东西你会发现它是一个领域特定的包，如MNE或PyEEG。在

---

不过，如果你碰巧有EOG录音，还是有希望的！存在A fully automated correction method of EOG artifacts in EEG recordings。这种方法基于典型相关或回归（我不记得细节），但是你需要在脑电图的同时记录EOG信号。在

---

我用模拟的“脑电图”数据创建了一个工作示例。 数据包括三个通道：额叶、中央和顶叶。10赫兹的阿尔法活动在后面最强，一些眨眼样的尖峰在前面最强。在

希望这个例子能更好地说明如何从多通道数据中删除组件。在

^{pr2}$

Answer 2

如果您正在处理单通道EEG，以下是一种易于实现的方法：

1）使用简单的基于阈值的峰值检测来检测信号x中的闪烁（您可能需要通过查看信号中的几个闪烁实例来确定）。Neurosky、Muse等公司的设备都配有API来检测眨眼。如果需要，你可以用它。在

2）拍摄与闪烁对应的帧（xb）。在上面画一条平滑的线（xbs）。在

3）从闪烁（xb）中减去平滑线（xbs），并将信号的平均值相加。我们称之为xbc。在

4）将原始信号中的xbc替换为xb。在