十分之一的独立组件显示反转极性,数据质量较差:EEG数据库研究

科学领域:

• 神经科学是一个神经科学.
• 信号处理 信号处理
• 生物医学工程 生物医学工程

背景情况:

• 独立组件分析 (ICA) 是分析头皮记录的脑电图 (EEG) 数据的关键技术.
• 对于EEG而言,ICA的一个重大挑战是极性不确定性,其中独立组件 (IC) 的符号可以任意翻转.
• 缺乏关于特定实现中极性不确定性的工程解决方案的详细文档,阻碍了可重复的研究.

研究的目的:

• 调查EEGLAB在其ICA实施中如何解决极性不确定性.
• 检查IC极性和来源 (大脑,肌肉,眼睛) 的分类之间的关系.
• 为了确定EEGLAB的默认ICA算法是否在组件极性上表现出偏差.

主要方法:

• 一个包含212个静止状态EEG数据集的开放数据库的分析.
• 评价IC头皮地形和它们的主导极性 (正或负).
• IC极性的与源特征的相关性,包括双极方向和等电流双极配件的残余方差.

主要成果:

• 大约91%的独立组件 (IC) 呈现出积极主导的头皮地形.
• 与其他来源相比,积极主导的IC更频繁地与来自大脑的信号相关.
• 积极主导的IC显示了更多的辐射二极体投射模式,其余差异较低.

结论:

• EEGLAB的默认ICA算法倾向于为高质量的脑衍生IC支持正极性.
• 大约10%的IC被翻转为负极性,通常表明非辐射二极体和更高的残余方差.
• 这表明EEGLAB的ICA分解中有潜在的偏差,影响了对组分极性的解释.