如何使用ICA(独立成分分析)来去除伪影

关于使用ICA，可以采用mne的库来进行实现。具体可以查看官网：ICA使用

ICA的大致原理是：找到一个分解的矩阵，将原始数据分解成时间独立和空间固定的分量之和。然后先根据自己的经验去除伪迹分量，再通过将无伪影的ICA成分的总和投影回头皮。获得了无伪影事件相关的大脑信号。

今天我是想要记录如何将一个原始脑电信号【n_channel,times】进行ICA处理：

batch_channel = ['Fp1', 'Fp2', 'Fz', 'F3', 'F4', 'F7', 'F8', 'FC1', 'FC2', 'FC5', 'FC6', 'Cz', 'C3', 'C4', 'T7', 'T8', 'CP1', 'CP2', 'CP5', 'CP6', 'Pz', 'P3', 'P4', 'P7', 'P8', 'PO3', 'PO4', 'Oz', 'O1', 'O2', 'A2', 'A1']types = ['eeg']*32def butter_bandpass(low_cut, high_cut, fs, order=4):""":param low_cut: low frequency:param high_cut: high frequency:param fs: sampling rate of the signal:param order: order of the filter:return: numerator (b) and denominator (a) polynomials of the IIR filter"""nyq = 0.5 * fslow = low_cut / nyqhigh = high_cut / nyqb, a = signal.butter(order, [low, high], btype='band')return b, adef preprocess(eeg_rawdata):""":param eeg_rawdata: numpy array with the shape of (n_channels, n_samples):return: filtered EEG raw data"""print(eeg_rawdata.shape)low_cut, high_cut, fs = 0.5, 50, 250# 对脑电数据进行巴特沃斯滤波（这一步也可以利用mne的库进行处理）b, a = butter_bandpass(low_cut, high_cut, fs)filted_eeg_rawdata = signal.lfilter(b, a, eeg_rawdata)# n_channels = 32## 把原始的数据改为mne中的raw的数据格式，因为在后面采用ica的方法的时候需要用到raw的格式而不是np.ndarray的形式。info = mne.create_info(ch_names=batch_channel, sfreq=fs, ch_types=types)# print(info)raw = mne.io.RawArray(data=filted_eeg_rawdata, info=info)print("************")print(raw.get_data())# 去除伪影#说明一下这边的成分设置n_components，就是最后将原始数据分解成多少独立成分的意思，当然n_components越多越好，但是成分变多会使运算的速度变慢。ica = ICA(n_components=20, random_state=97, max_iter=800)# 先fit一下查看有哪些伪影，然后apply一下就可以应用到原始数据了。ica.fit(raw)ica.plot_sources(raw, show_scrollbars=False)print("***********")ica.exclude = [1, 2]raw.load_data()ica.apply(raw)print(raw.get_data())print(raw.get_data().shape)return raw.get_data()

如何使用ICA(独立成分分析)来去除伪影相关推荐

结合matlab代码案例解释ICA独立成分分析原理
目录介绍什么是ICA? 对数据进行白化 ICA算法 ICA特性本分享为脑机学习者Rose整理发表于公众号:脑机接口社区 QQ交流群:941473018 关于ICA,可以查看Rose小哥之前分享的 ...
ICA独立成分分析去除脑电伪影
今天分享的这篇利用独立成分分析ICA去除EEG伪影是翻译自jung大神的一篇文章. 目录 1 介绍 2 方法 3 实验数据样本 1 介绍眼动,眨眼,肌肉,心脏和线的噪音会严重污染脑电图活动,这在脑电 ...
鸡尾酒宴会问题---ICA独立成分分析[原创]
作者:einyboy or alert (注本文有些图片来源于网络) 鸡尾酒宴会问题: 假设在party中有n个人,他们可以同时说话,我们也在房间中一些角落里共放置了n个声音接收器(Mic ...
ICA独立成分分析去除EEG伪影
目录介绍 ICA假设方法组件投影实验数据样本移除眨眼和肌肉伪影一些严重污染的脑电数据本分享为脑机学习者Rose整理发表于公众号:脑机接口社区 .QQ交流群1:903290195(已满,请 ...
ICA独立成分分析—FastICA基于负熵最大
1. 概念官方解释:利用统计原理进行计算的方法,是一种线性变换. ICA分为基于信息论准则的迭代算法和基于统计学的代数方法两大类,如FastICA算法,Infomax算法,最大似然估计算法等. 这里 ...
ICA(独立成分分析)笔记
ICA又称盲源分离(Blind source separation, BSS) 它假设观察到的随机信号x服从模型,其中s为未知源信号,其分量相互独立,A为一未知混合矩阵. ICA的目的是通过且仅通过观 ...
【机器学习】【ICA-2】ICA独立成分分析的原理 + ICA前的预处理（中心化+漂白）
前情提示:ICA算法成立的前提是:假设每个人发出的声音信号各自独立. 1.鸡尾酒宴会问题 n个人在一个房间开party,房间的不同配置摆放了n个声音接收器,每个接收器在每个时刻同时采集到n个人声音的重 ...
sklearn自学指南(part50)--独立成分分析(ICA)
学习笔记,仅供参考,有错必纠文章目录分解信号的分量(矩阵分解问题) 独立成分分析(ICA) 分解信号的分量(矩阵分解问题) 独立成分分析(ICA) 独立成分分析将一个多变量信号分离成最大程度独立的 ...
ICA：独立成分分析
本文是转载自:ICA:独立成分分析.下面开始介绍: 独立成分分析(Independent Component Analysis) 1. 问题: 1.上节提到的PCA是一种数据降维的方法,但是只对符合高 ...

如何使用ICA(独立成分分析)来去除伪影

如何使用ICA(独立成分分析)来去除伪影相关推荐

最新文章

热门文章