Link Search Menu Expand Document

EEGに合格する

本書は、EeGLABが発行するにあたり、以下のとおりです。 EEGLABの言語を学習する ICAの解読 そして、 ICAの分解をプロットに.

EEG精密機器

ICA(または直接的分解方法) PCAmoreそのデータベースは、データから線形* 基礎変更* までです。 単一のスカルプチャネルで収集された「仮想」を空間的に変換 チャンネル”ベース.

つまり、同時にコレクションの代わりに 記録された単一チャネルのデータ記録は、データに変換されます 同時に記録された空間フィルタの出力の収集 マルチチャネルのデータ全体に。 これらの空間フィルタは、設計することができます 多くの目的のための多くの方法。

元のスカルプチャネルデータでは、データ記録の各行 マトリックスは電圧相違で要約された時間の経過を表します ソースの予測と1つのデータチャネルと1つ以上の参照 チャネル(線形) アイスパック 分解、データ活発化のマトリックスの各列は時間を与えます 1つのコンポーネントプロセスのアクティビティのコースを空間的にフィルタリング チャネルデータ。

ICA は、 利用できる最高の一時的に独立した信号を作り出すために選ばれました チャネルのデータ。 これらは、効果の情報源です 体積伝導による混合物が記録されているデータ EEGの頭部における体積伝導は、 受動的、線形であり、データに情報を追加しません。逆に、 それは機能的に明確で独立した源を混合し、閉塞します 貢献。

これらの情報源は、同期または部分的に表現することができます 1つ(または多分多く)内の同期活動、 腐食性以外の情報源からの他の活動(例、によって引き起こされる可能性) 単一の筋肉活動、ライン騒音によってまたは作り出される球の動き 等)。 次の例 ソース 社会招聘 記録されたチャネルの混合物から。

15秒間 9(100)のスカルプリー(トップパネル) (100 の) 電極(上部パネル)は、脳の非常に類似した混合物を記録し、 非活動的な脳、米国コンポーネントの活動(マウスパネル) 時でさえ(すなわち、最高に時間の上の独立)、 サイトマップ 例えば、IC1とIC3の比較では、 異なるフェーズのアイ・リンク・アーティファクトの会計 各ビジュアルレタープレゼンテーション後のこの主題(グレーの背景) 聴覚性能フィードバック信号(色線)の発行 比較、IC4、IC7、オーバーラップ(4-8) 正確なフィードバック後の被験者のアルファ活動を示しています。 トレーニング（7秒〜15秒）。 欧州共同体 また、ポスターを覆いにし、(8-12) Hz) プラグも表示する 被写体が次の文字を待つときに表示されるバースト プレゼンテーション(白い背景)。 比較のために、繰り返し平均 二国間科学研究所(IC5)の市民社会 同じ(相対的な)スケールで示される(赤)。 明らかに、不平均 平均応答は、独立の劇的なイラスト フェーズロックおよびフェーズインコヒーレント活動。 から 2006年 オントン・アンド・メイクグ.

茶葉茶

模倣される、比較的低い次元に適用される ICAを適用する場合、 3つのアルゴリズムは、ほぼ同等のコンポーネントを返します。 私たちは満足しています インフォワード(l)は、最大で分解性を発揮します。 何百ものチャネル(十分なトレーニングデータが与えられた場合、参照してください) 以下)、したがって、使用をお勧めすることができます。 私達はまたテストしました 結果または結果の違いの生理学的意義 異なるアルゴリズム Delorme ら., 2012 を参照してください。

jader の注意:このこと、第4次会の活動(Informmax として) より高い順序の瞬間の組合せ(単純に)使用して下さい、貯蔵 第4次期に求められるデータセットの実用化 ~50以上のチャネルで。

fastica は、この点で、この点は、 デフォルトで使用する場合 パラメータ。 しかし、見つかるコンポーネントの順序は知られていません 事前に、完全な分解を実行することは必ずしもそうではありません したがって、デフォルトパラメータの結果を 文字通り服用しないでください。 また、当社の経験では、より安定している可能性があります 高次元データセット用インフォマックスより。

ICAの制限事項

一般的なルールとして, 発見 N’s は、通常のmore で、 n kN^2 は、N^2 は、 ICAが勉強する ※kはマルチプライヤーです。 ※k は、 チャンネル数が増えます。 32チャンネルを使った例では、 30800データポイント、30800/32^2 = 30 pts/ しかし、256個のコンポーネントを探し出すと、毎回30点でも表示されます。 体重は十分なデータではありません。

あまり使用できない 十分なデータがない場合は、PCA等で次元を削減してからICAを適用することも可能です。また、複数のセッションのデータを結合してICAに使用することもできます。

パラメータ

コマンドラインプリントアウト 詳しくはこちら, angledeltaは、 現在の学習を記述する重量空間のベクトルの方向 前のステップを記述するステップおよび方向。 直感的なビュー あります(angledelta) の しきい値( 特別参照) は、 以下: 学習ステップがウェイトベクトルを取る場合(グローバル重量で) ‘past’真または次のステップ ‘back-track.’ が必要です(学習率が大きすぎます)。 もし、他の場合 手、学習率が低すぎ、角度は0度近く、 学習は同じ方向(小)のステップで進行し、 学習は遅くなります。 デフォルトのアニーリングのしきい値 60度 強烈に到着し、最適ではないかもしれない。

runica Infomax関数は2つの引数で、 球技研は、 ICAヘルプページ ICA基本理論を参照してください。 結果分解(つまり、ICA と球の)は、 同じデータから描画される長いエポックに、例えば、 3秒以上が3秒以上ある時間頻度分解 望ましい。

ICAとPCAの違い

runicaで返されるコンポーネントの順序は、 各コンポーネントがEEGデータの分散に寄与する割合で並べられています。 順序が下がるにつれて、寄与するデータ量（脳活動やアーティファクト）が 減少します。PCAとは異なり、ICA コンポーネントの寄与は比較的均等で、 最後のコンポーネントでも0%に近いことはありません。PCAでは、 最後のコンポーネントはほとんど分散を説明しません。ICAは 最大限に時間的独立な活動源を見つけます。

PCAコンポーネントは直交制約があり、 スカルプEEGでは通常チェッカーボード状のパターンとなります。ICAコンポーネントは 時間的独立性を最大化しますが、空間的な制約がないため、 部分的に同期したドメインの投影を表すマップ （皮質の領域やパッチ）を見つけることができ、重複の程度に関わらず有用です。 これは、皮質の回（gyri）や溝（sulci）における ダイポール方向が理想的であるために有用であり、 生体物理学的には、各皮質ドメインのスカルプへの体積伝導投影が ほぼダイポール状になることが示されています。