@
本分享為腦機學習者Rose整理發表於公眾號：腦機接口社區(微信號：Brain_Computer).QQ交流群1：903290195(已滿，請加群2)，群2：941473018
介紹
眼動，眨眼，肌肉，心臟和線的噪音會嚴重污染腦電圖活動，這在腦電解釋和分析中會產生非常嚴重問題。研究人員已經提出了許多方法來消除EEG記錄中的眼球運動和眨眼偽像：
1）僅僅剔除受污染的腦電圖epochs會導致收集到的信息大量丟失。
2）通常對EEG和眼電位（EOG）記錄上進行時域或頻域回歸，以獲得表征EEG偽影在EEG通道中的出現和擴散的參數。但是，EOG記錄也包含大腦信號，因此要消退EOG活性也會不可避免地要從每個記錄中減去相關EEG信號的一部分。
由於許多噪聲源（包括肌肉噪聲，電極噪聲和線路噪聲）都沒有明確的參考通道，因此無法使用回歸方法來消除它們。
研究人員提出還有一種更好的選擇，就是將ICA方法應用於多通道EEG記錄，並通過消除人為因素對頭皮傳感器的影響，從EEG記錄中刪除各種偽影。研究結果表明，ICA可以有效地檢測，分離和消除EEG記錄中的各種偽跡，其結果與使用基於回歸或基於PCA的方法獲得的結果相比更具有優勢。
ICA假設
基於ICA的偽影校正可以通過線性分解從EEG數據中分離並去除多種偽影。ICA方法基於以下假設：
1）在頭皮上記錄的時間序列是時間上獨立的大腦和偽跡活動的空間穩定混合物，
2）並且大腦，頭皮和身體不同部位產生的電勢之和為在電極上呈線性關系，
3）從源到電極的傳播延遲可以忽略不計。
上面的假設2和3對於EEG（或MEG）數據是非常合理的。給定足夠的輸入數據，第一個假設也是合理的。該方法使用由ICA算法得出的空間濾波器，並且不需要每個偽像源提供參考通道。一旦從數據中提取了不同大腦和偽影源的獨立時程，就可以通過消除偽影源的貢獻來得出偽影校正的EEG信號。
方法
下圖顯示了該過程的示意圖。在EEG分析中，輸入矩陣X的行是記錄在不同電極上的EEG信號，列是在不同時間點記錄的測量值（左）。ICA找到一個“分解”矩陣W，該矩陣將多通道頭皮數據分解或線性分解為時間上獨立且空間固定的分量之和。輸出數據矩陣的行U = WX，是ICA分量激活的時間過程。逆矩陣的列inv（W）給出了每個頭皮傳感器（右）上各個分量的相對投影強度。這些頭皮重量賦予每種成分的頭皮形貌，並為這些成分的生理起源提供證據。例如：
眼球運動應主要投射到具有低通時程的額葉部位。
眨眼應該投射到額葉部位，並具有較大的點狀激活。
顳肌活動應投射到頻譜峰值在20Hz以上的顳位。
組件投影
將激活稱為未混合成分時間過程矩陣
權重逆矩陣
（或Winv = pinv（W）；如果組件的數量少於通道的數量），則第i個獨立分量到原始數據通道上的投影為
第i個分量的投影是分量激活的第i行(即分量時間過程)，activations(i,:)與逆矩陣的第i列(即分量頭皮圖)，Winv(:,i)的外積。投影的分量數據具有與原始數據相同的大小，具有相同的基礎(即，每行是單個電極，與原始數據相同)，並按原始數據單位(例如uV)縮放。標度信息和極性分布在激活波形和映射之間。這意味着分量的真實大小(和極性)由其投影的大小(和極性)給出。
對於上面顯示的數據，所有頭皮圖都是從31個EEG通道內插，並參考原始的右乳突參考。 對於每個分量，頭皮映射圖的振幅(由右側面板的單獨縮放的彩色條給出)給出了由垂直藍線標記的時間點上組件投影的大小。
上面，通過將選定的非偽影ICA成分的總和投影回頭皮，獲得了無偽影事件相關的大腦信號，
$$ clean_data = Winv(:,a) * activations(a,:);$$
其中[a]為所選非偽影成分數的向量。工具箱中包含一個函數icaproj()，它在一行代碼中計算投影。
$$clean_data = icaproj(data,W,a);$$
在實踐中，關鍵是要確定哪些成分是偽影的。上面，研究人員列出了一些他們發現有用的啟發方法。
實驗數據樣本
移除眨眼和肌肉偽影
下圖顯示了記錄的EEG時間序列的3秒部分及其ICA分量激活，四個選定分量的頭皮形貌以及通過從數據中刪除四個選定EOG和肌肉噪聲分量而獲得的偽影校正后的EEG信號。EEG數據（左）中1.8秒的眼睛運動偽影與ICA分量1和2（左中）隔離。頭皮圖（右中）表明這兩個成分說明了EOG活性向額葉部位的擴散。
消除上面顯示的頭皮圖的四個偽像成分，然后將其余成分投射回頭皮通道，即可產生不含這些偽像的偽像校正EEG數據（右）。
請注意，從額葉通道（Fp1，Fp2左面板）中刪除眨眼活動可以清楚地顯示在原始數據中模糊不清的眨眼過程中發生的額葉alpha活動。
還要注意常規的右額顳顳肌尖峰分量＃13（中間部分），盡管很難在原始數據中看到（例如，在通道T4中），但仍通過ICA與其他活動完全分開。
一些嚴重污染的腦電數據
(A)由於不良的數據采集設置而導致的EEG時間序列損壞的五秒鍾部分；(B)ICA提取的噪聲成分（右圖）。(C)通過去除六個選定成分，通過ICA校正偽影的相同EEG信號；以及(D)原始和偽影校正的EEG記錄的頻譜分析。請注意，與(A)相比，EEG活動更為明顯，特別是在通道1和2中，並且降低了線路噪聲(60 Hz)和混疊線路噪聲頻率(接近12 Hz，105 Hz，135 Hz)。
參考文獻
Jung T-P, Makeig S, Humphries C , Lee TW, McKeown MJ, Iragui V, and Sejnowski TJ, "Removing Electroencephalographic Artifacts by Blind Source Separation," Psychophysiology, 37:163-78, 2000 (.pdf, 1.3Mb).
Jung T-P, Makeig S, Westerfield W, Townsend J, Courchesne E, and Sejnowski TJ, "Removal of eye activity artifacts from visual event-related potentials in normal and clinical subjects,"Clinical Neurophysiology 111:1745-58, 2000 (.pdf, 4.9Mb).
Makeig S, Bell AJ, Jung T-P, and Sejnowski TJ, "Independent component analysis of Electroencephalographic data." Advances in Neural Information Processing Systems 8, 145-151,1996.
Jung T-P, Humphries C, Lee TW, Makeig S, McKeown MJ, Iragui V, and Sejnowski TJ, "Extended ICA Removes Artifacts from Electroencephalographic Recordings", Advances in Neural Information Processing Systems 10:894-900, 1998.
Jung T-P, Humphries C, Lee TW, Makeig S, McKeown MJ, Iragui V, and Sejnowski TJ, "Removing Electroencephalographic Artifacts : Comparison between ICA and PCA", In: Neural Networks for Signal Processing VIII, 63-72, 1998.
Jung T-P, Makeig S, Westerfield M, Townsend J, Courchesne E, and Sejnowski TJ, "Analyzing and Visualizing Single-trial Event-related Potentials," In: Advances in Neural Information Processing Systems, 11:118-24, 1999.
參考於 https://cnl.salk.edu/~jung/artifact.html
本文章由腦機學習者Rose筆記分享,QQ交流群1：903290195(已滿，請加群2)，群2：941473018
更多分享，請關注公眾號