ERP 07源分析和成分分析.ppt

这里我们得到了：3_ICA.set 通过ICA分析，我们可以获得眨眼、水平眼动的活动的源成分， 以及这个源成分的活动模式。 那么，当我们去掉这两个源成分的活动时， 剩下的数据就是没有眼动影响的、干净的脑电活动了。 好的条件下，我们可以排除掉所有的伪迹、包括眼电，最终取得干净的数据。 但是如果被试有过量的眼动，而排除掉有眼动的数据会使可用的数据量过少时，我们就需要做眼电校正。 一些实验情况下，有眼动的数据必须进行排除而不是校正。这就需要根据实验刺激的属性、实验目的等来判断，能否接受校正过的数据。 那么哪些成分是与眼动有关的呢？ 好的ICA分析2D图： 首先脑外没有分布；其次有集中的峰值。 怎样确定：某成分是眨眼的源成分，某成分是水平眼动的源成分，而别的成分都不是呢？ 这里我们通过对比成分波形图与位置波形图来确定。 源成分1的活动变化与垂直眼动的电压变化相吻合 源成分8的活动变化与水平眼动的电压变化相吻合 去掉对应的源成分后， 它自动会计算新的EEG波形。 得到： 4_ICA without 1 8.set 去掉眼电成分前的EEG波形 去掉眼电成分后的EEG波形 溯源分析 Patch of aligned pyramidal cells in gray matter layer Inverse Calculation Head Model Sensors Model Source Model Data (measured) 影响定位准确性的因素 信号传导问题 头颅不规则性 发放源深浅 操作因素：分析时间的选择、头模型和偶极子模型的选择 溯源分析软件 Curry Besa Geosource ICA 溯源分析需要的4个文件 功能数据：.avg 解剖数据：.img 电极位置：.3dd 解剖标志位置：.pom 创建BEM头颅模型 我们先读入了最原始的文件： 1_nback.cnt (nback是我们这个实验的名称) 只有EEGLAB系统，可以很好的的进行ICA分析， 从而很好的达到我们的目的： 去掉眼动对脑电造成的影响——眼电校正 所以我们在EEGLAB系统中做接下来的分析。 所导入的数据的一些基本信息。 这里我们得到了： 1_nback.set 定义电极位置。 由于NS电极位置使用标准名称，所以按照默认设置导入即可。 前面提到过，进入ICA分析的数据，需要： 1，干净、无误的数据； 2，具有统一的参考点的数据。 所以，这里我们首先要去掉坏电极。 坏电极首先是在数据记录过程中发现的异常电极， 然后是ICA分析后发现的异常电极。 由于NeuroScan中，HEOG与VEOG均是双极参考，所以也要去掉。 （EGI系统中不存在这个问题） NS系统里似乎只能标注去掉什么样的电极而不能完全删掉它，而对坏电极的标记在进入EEGLAB时又消失了，所以还是推荐在EEGLAB中进行这一步。 这里我们得到了： 2_without P8 T7 H V.set 独立成分分析(Independent Component Analysis，ICA)是近期发展起来的一个新的数据及信号分析方法，是一种将源信号从混合信号分离出来的信号处理技术。 这里我们假设， 每个电极位置的头皮都是一个脑电的源成分，并通过分析每个电极记录到的电压，用ICA方法计算每一个源成分的活动情况。 我们通过计算电极Channel所记录下的电压变化的情况，得到电极活动的源成分Components的活动情况。