你有沒有注意到你的“組件”完全是原始信號的比例和顛倒？這是因為你不能得到比信號更多的成分。在

您需要執行以下步驟：將所有EEG通道輸入ICA

手動移除包含眨眼或其他偽影的組件

用反變換重構

讓我們詳細了解第2步：為什么要手動刪除組件？

伊卡對眨眼一無所知。它根據統計測量將信號分成不同的分量。如果幸運的話，這些部件中的一些看起來像是眨眼。在

到目前為止還可以，但真正的問題是沒有定義組件的順序。運行ICA，您可能會發現組件1包含眨眼。再次運行它，它們在組件3中。同樣，它們都在第2和第5部分中。。。在

沒有辦法預先知道要移除哪些組件和多少個組件。這就是為什么每次運行時都需要手動告訴算法。在

在類似這樣的代碼中：# 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)

很可能你對手動步驟不滿意。不幸的是：)2013年還沒有一個健壯的自動算法來標記眨眼成分。我不認為這已經改變，但如果有什么東西你會發現它是一個領域特定的包，如MNE或PyEEG。在

我用模擬的“腦電圖”數據創建了一個工作示例。

數據包括三個通道：額葉、中央和頂葉。10赫茲的阿爾法活動在后面最強，一些眨眼樣的尖峰在前面最強。在

希望這個例子能更好地說明如何從多通道數據中刪除組件。在

^{pr2}$

總結

以上是生活随笔為你收集整理的python处理脑电信号_用ICA去除脑电信号中的眼球链接的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。