パイプラインの最初のステップは、データを事前処理することです。 [SIFT] > [Pre-processing] を選択して、前処理 GUI を起動します。 コマンドラインから次のコマンドで開くこともできます。

EEG = pop_pre_prepData(EEG)

下の図は、以下に示す GUI は、この例で使用するオプションに設定します。 ほとんどの GUI、各メニュー項目のヘルプテキストは、Help Paneで表示されます。 メニュー項目を選択したときにGUIの下部。 VerbosityLevel は、 SIFT がどれだけの情報であるかを判断します。 コマンドウィンドウまたはグラフィカル出力を介して、ユーザーに通信します。 残りのパイプライン(0=no(または最小限)コマンドウィンドウ全体 出力、1 =フルコマンドウィンドウ出力、2 =コマンドウィンドウとグラフィカル (progress-bars等)出力)。 データ選択グループには IC を選択し、データを再構築するためのオプション。 フィルター グループには、データのダウンサンプリング、フィルタリング、 異なると線形の決定。 ノーマライゼーション(平均解除) 標準偏差による分割が可能 アンサンブル(試用)、時間を超えて、または両方(最初の仮説はアンサンブル) 正規化)。 例として、図に示すオプションを使用します。 そして次テーブル:

*Figure 9 GUI の前処理 pop_pre_prepData() でアクセス可能。 * 必須

これらのオプションが入力されたら、[OK]をクリックします。 データセットは両方 これらの設定を使用して事前に処理され、作成するように求められます 新規の dataset(s) か、現在のデータセットを上書きします。 「上書き」をチェックし、 [OK]をクリックします。

コマンドラインから次のコマンドで同じことが達成できます。 機能のヘルプと、許容パラメータの詳細については、上記の機能GUIを参照してください。

EEG = pop_pre_prepData(EEG, 'nogui', 'SignalType',{'Components'}, ...
        'NormalizeData', {'Method' {'time'  'ensemble'} }, 'verb', 1);

SIFT では、ユーザが次のプリプロセッシングオプションにアクセスすることができます。

1. コンポーネント選択(コマンドラインコールのみ)</p>
2. Epoching (コマンドラインコールのみ)
3. フィルタリング(コマンドラインコールのみ)
4. ダウンロード
5. 拡散
6. フォロー
7. 正規化

前のセクションで行ったように、SIFTを開始する前に、EEGLABから最初の3つの前処理手順を実行することもできます。 前処理手順5、6、7は上記のSIFT前処理機能を使用してのみ実行できます。

5.3.1. コンポーネント選択

理想的に、一つは多variateのcausalモデルに合うべきです すべて 利用可能な変数。 これは、除外された変数からの外因性因性の影響による接続(例えば、細心の注意)における偽陽性のチャンスを減らすことができます。すなわち、「非脳」コンポーネント(Schelter et al.、2006; Pearl、2009)。 ただし、VARモデルを使用して推定しなければならない変数の数が増えることもあります。 たとえば、VARモデルの注文に合うようにしたい場合 ツイート, から変数の数を増やす ツイート ツイート+1は見積りを要求します(2)ツイート + 1)ツイート 追加パラメータ。 これにより、モデルを適切にフィットするために必要な最小限のデータ量が増加します(セクション6.6.1のウィンドウの長さに関する議論を参照してください。)。 したがって、限られたデータが利用可能な場合、モデルを関連する変数(約10)のサブセットに収まる必要があります。

いくつかのアプローチで変数を選択することができます。 1つのアプローチは、非パラメータメソッド(例えば、FFT、またはウェーブレット)を使用して、すべての変数間の部分的なコヒーレンスを推定し、少なくとも1つの他の変数で重要な部分的なコヒーレンスを示すそれらの変数だけを保持することです。 ICAコンポーネントで働いている場合、別の(おそらく補完的)アプローチは、脳活動に明確に関連しているICのサブセットだけを選択することです。 ADJUST(Mognon et al., 2010)などの自動化ツールを手動で実行できます。 このアプローチの妥当性は、ICAは、保存されたセットとセットから除外された変数との間の共有情報がないため、脳コンポーネントからすべての非脳活動を効果的に削除した(むしろ強い)仮定に依存しています。 トピックに関する議論については、(Fitzgibbon et al., 2007; Onton and Makeig, 2009)を参照してください。 EEGLAB Wiki で文書化した標準の EEGLAB ルーチンを使用して両方のアプローチを実行できます。 実際には、これらの2つのアプローチの組み合わせを適用する必要があります。, 部分的にコヒーレントICの最大のサブセットを選択すると、十分なモデルが利用可能なデータ量を満たし、脳のソースから発生する可能性が高いそれらのICに最も優先順位を与えながら、適切なモデルが利用可能なデータ量を満たし、および1つ以上の他の「脳」ICとの重要な部分的な一貫性を示す.

Sparse VAR推定方法は、一般的に、モデル係数の追加の間隔制約を課すことで、変数を選択する必要があることを妨害します。 変数の数が多々ありますが、そのため、推定する係数の数が多いため、係数の小さなサブセットだけは、任意の時点でゼロであり、偏見係数の推定値(Valdés-Sosa et al., 2005;Schelter et al., 2006)を得るために必要なデータの量を効果的に減少させると仮定します。 現在、SIFTではSparseメソッドは実装されていません。

5.3.2. エッチング

以前のセクションで短いエポックを選択しました。 これにより、ユーザーは元のエポックのサブセットを分析することができます。 滑走窓のAMVARのモデリングのアプローチを使用して窓の長さの ツイート 秒、T1からT2秒までの時間境界接続を分析したい場合、彼はT1-0.5であるために彼の画期的な長さを選択する必要がありますツイート に T2+0.5ツイート 秒数。 これは、接続が時間の経過時に推定されるためです ツイート 接続に応答します。 ツイート-秒ウィンドウ 時間tで集中 したがって、接続推定がT1+0.5であるという最も初期のタイムポイントツイートT1がエポックの始まりを示す場所。</p>

5.3.3. フィルタリング

インポート時に既にフィルタリングされたため、データをフィルタリングしないようにしました。 しかし、データが低周波数の漂流または複数の周波数帯域の顕著なアーティファクトを含んでいる場合、フィルタリングは有用な前処理ステップである場合もあります。 ドリフト(トレンド)の除去は、データ静止度を劇的に向上し、それによってVARモデルフィットの品質を向上させることができます。 各シリーズの相対的なフェーズは、情報フローモデリングの重要な要素であるため、フェーズの歪みがないことを示すゼロフェーズ(アコース)フィルタを適用することが重要です。 EEGLABのフィルタリングは、 エグフィルト() 機能。 これは、順番に、呼び出し フィルタ() フォワードレバース(ゼロフェーズ)FIRフィルタを実装するマトラボ信号処理ツールボックスから。</p>

5.3.4. ダウンサンプリング

パラメトリックオートレグレッシブモデルをフィッティングする際に、ダウンサンプリングが重要なステップになります。 高サンプリングレートを持つタイムシリーズは、一般的に、プロセスのダイナミクスを適切にキャプチャするために大きなモデルの注文を必要とします。特に、インタラクションが比較的長時間の遅延で発生する場合。 変数選択に関して上記の議論では、モデルの注文が増えると、限られたデータが利用可能な場合、偏見推定につながることができるモデル係数の数が増加します。 一般的に言えば、高注文品のモデルから派生した分光と因数見積りは、低モデルの注文と比較して分散性が増加し、適切な統計が適用されない限り、解釈を複雑にすることができます(Schelter et al.、2005a)。 SIFTでは、EEGLABのダウンサンプリングを実装しています。 pop_resample() ダウンサンプリング前にゼロフェーズアンチエイリアシングフィルタを採用する機能。 ゼロフェーズアンチエイリアシングフィルタの使用は、バンドパスフィルタの上記の同じ理由で重要です。</p>

5.3.5. 拡散

Differencingは、タイムドメインのパラメトリックVARモデル(1989年チャットフィールド)をフィッティングする前に、固定性を改善する標準的な操作です。 入力のための第一次違いフィルター ツイート によって与えられる この操作は n を得るために繰り返し適用することができます^ツイート 順序の相違フィルター: 2つ以上の注文は、固定性を確保するためにはほとんど必要ありません。 注意すべき点は、差異はハイパスフィルタであり、接続(Seth、2010)の周波数ドメイン解釈を複雑化する可能性があることです。 Differencing は pre_diffデータ().</p><p>
最近公表されたレポートは、さまざまな形のダウンサンプリングの影響を調べました, 異なる, そして、悲観的な対策をフィルタリングし、それを実証しました, 場合によっては, これらの操作は、好ましい接続推定を生成することができます (Florin ら., 2010; Seth, 2010). 一般的に、サンプリングレートが過度に高(> 500 Hz)でなく、データに大きな周波数固有のアーティファクトがない場合、ダウンサンプリングやフィルタリングを避けることをお勧めします。 周波数ドメイン接続を調べたい場合は、Differencingも大きな注意で処理する必要があります。 一般的に、これらの操作が接続推定にどのように影響するかをよく理解できない可能性があるため、アーティファクトを削除したり、文具を改善するために、データへの変換を適用するときに注意を維持する必要があります。特に、より少ない国、実際の条件下で。 可能であれば、静止画改善の変形に対するより安全な代替手段は、代わりに、データ(例えば、滑走窓AMVAR)の局所的な窓にモデルに合う適応アルゴリズム、スペクトル密度のマトリックス(例えば、最小段階の要因)からのモデル係数を推定するか、または州空間表現(例えば、カルマンフィルタ)を利用することです。 SIFT は、このような適応アルゴリズムから選択し、装着したモデルの静止度と品質を厳格にテストする方法を提供します。</p>

5.3.6. 退役

線形傾向/漂流だけがデータに存在する場合、ハイパスフィルタリングの代替は、少なくとも正方形のフィットを使用して、時間シリーズを線形に決定することです。 これは段階保存操作です。 SIFT の実行と中心化(一時的な平均の減算)は、SIFT の プレ_detrend().</p>

5.3.7. 正規化

SIFTは2種類の正規化を実行することができます。 エンサンブル正規化 そして、 一時的な正規化 セクション3.4.1.では、アンサンブル正規化(アンサンブル平均とアンサンブル標準偏差による分岐の点)が、例えば、試験中の正規化)は、マルチトリルスライディングウィンドウAMVARを使用する際に重要な前処理ステップであることを指摘しました。

対照的に、短いウィンドウを使用して、一時的な正規化(標準偏差による各ウィンドウと分割の平均の減算)は、各小さなウィンドウ内の平均と分散の小サンプル推定が非常に偏見されるので、良い選択ではありません。 このように、SIFT は、一時的正規化を行なうことができるだけ トライアル全体 セグメント化前の これは、正規化をアンサンブルする前に実行され、すべての変数が試験全体に等しい重量(variance)を持っていることを確認します。 これは、任意の回帰方法のように、私たちの派生したVARベースの因果措置の多くのユニットがスケールフリーではなく、信号のユニットと分散に依存して重要である。 したがって、変数の中で重度の不均衡な分散はモデルの誤差(例えば、最も高い分散の変数は、原因として誤って示されるかもしれません)につながる可能性が高い。 再正規化 PDC (rPDC) などのスケールフリー対策は、この問題に対する理論的に免疫であることに注意してください。 不可能、一時的な正規化、可能で合理的な場合、通常は良い考えです。