在固定和移动实验中优化EEG ICA分解与数据清理.
M Klug1,2, T Berg3, K Gramann3
1Young Investigator Group Intuitive XR, Neuroadaptive Human-Computer Interaction, Institute of Medical Technology, BTU Cottbus-Senftenberg, Cottbus, Germany. marius.klug@b-tu.de.
Scientific reports
|June 19, 2024
概括
独立组件分析 (ICA) 有效地去除电脑电图 (EEG) 数据中的工件,即使在高运动强度的情况下. 适度的数据清理改善了EEG信号分解,使AMICA成为移动研究的强大工具.
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:
- 移动脑电图 (EEG) 协议增加了数据工件.
- 独立组件分析 (ICA) 对于在EEG中去除文物至关重要.
- 在分解前的物件去除,就像样品排斥一样,是标准的做法.
研究的目的:
- 系统地评估运动强度和自动样品排斥强度对AMICA分解质量的影响.
- 为了确定数据清理的最佳水平,以进行强大的EEG人工物清除.
- 在不同的人工条件下评估AMICA算法的稳定性.
主要方法:
- 在八个开放访问的EEG数据集上进行了AMICA分解.
- 跨数据集的不同运动强度和样本拒绝标准.
- 评估分解质量,使用诸如相互信息,组件比例,残余方差和信号与噪声比率等指标.
主要成果:
- 在单个研究中,增加运动强度显著降低了分解质量.
- 更强大的数据清理改善了分解,但不如预期.
- 艾米卡展示了稳健性,即使在最小的数据清理下也表现良好.
结论:
- 适度的数据清理 (5-10次AMICA样本拒绝代) 通常会增强EEG分解.
- 艾米卡算法对不同级别的运动工件和清洁强度具有强度.
- 结果支持AMICA在移动EEG研究中用于移除文物,数据质量不同.
