用ICA清除Python中的脑电数据

Question

我致力于脑电信号处理方法，以识别P300 ERP。目前，我用一个数据向量来训练我的分类器，这些数据是我从原始64个通道中选择的子集中经过预处理的数据平均得到的。我直接使用来自EEG的值，而不是fft的频率特征。实际应用表明，该方法的分类精度达到了75%左右。我想通过使用ICA来对EEG数据进行一些改进。我读了很多教程和论文，我仍然有点困惑。我在python中实现了我的方法，所以我选择使用sklearn的FastICA。

from sklearn.decomposition import FastICA
self.ica = FastICA(n_components=64,max_iter=300)
icaSignal = self.ica.fit_transform(self.signal)

从25256个样本x64通道矩阵中得到原始源矩阵，也就是25256x64。问题是，我不太确定如何使用输出。

对这些部件进行平均处理，并以与信号相同的方式训练分类器，性能将降低到30%以下。所以这可能不是正确的方法。

我所读到的另一种方法是在这一点上拒绝某些成分--那些代表眨眼、肌肉活动等的成分。根据它们的频率和其他一些启发来做。-我对如何做到这一点也不太有信心。

在我拒绝了一些组件之后，下一步是什么？我应该试着平均那些留下的，用它们来给分类器喂食，还是现在我应该尝试在没有它们的情况下重建脑电信号--如果是的话，如何在蟒蛇身上这样做？我找不到任何关于重建步骤的信息。在matlab中可能要容易得多，所以没有人费心去写：

有什么建议吗？:)非常感谢！

Answer 1

我还没有为ICA使用Python，但是在这些步骤中，不管是Matlab还是Python，都不重要。

很难拒绝ICA组件，这是完全正确的。目前还没有被广泛接受的客观测量。眼睛闪烁(额叶通道的高电压)，肌肉伪影(广谱覆盖，因为它是肌电信号，在周边通道)有一些特定的模式。如果您不知道从哪里开始，我建议您阅读一个名为EEGLAB的Matlab插件。这个UCSD小组有一些很好的材料来帮助你开始。

https://eeglab.org/

要回答你关于ICA重建的问题:在拒绝某些ICA成分后，您应该重建原始EEG而不使用它们。