关注“心仪脑”查看更多脑科学知识的分
关键词:降噪、ICA
对经常处理脑电信号的朋友来说,降噪是必不可少的环节。眼动、眨眼、肌肉运动、脉搏等噪声会严重污染脑电,严重影响脑电的后续分析。2001年提出的FastICA算法使ICA可以真正稳定地分析数据。独立成分分析(Independent Component Analysis, ICA)发展至今广泛地被用于脑电降噪,利用ICA去除脑电信号中的眼电、心电噪声是很成熟的技术。不过在实际应用ICA算法时会碰到各种问题,比如应用时如何确定独立源个数、如何识别哪些是噪声、反过来如何识别哪些是脑电等等。本文想讨论ICA存在问题,并引出解决部分问题的另一个算法,准确来说是另一类算法,即联合盲源信号分离。本文不会介绍联合盲源信号分离,只是提供一种思想。下面将讨论,上面提出的三个问题。
01如何确定独立源个数。
想必这是使用ICA时最初碰到的问题。因为ICA要求要有多个观测信号才能做盲源分离,对少数电极(一般不超过8个)的脑电信号来说,使用ICA降噪时可能会把脑电成分也同时去除。其实,对于大量电极(一般大于64个)的脑电来说,如何确定独立源个数也是很头疼的问题。如果读者手上有128导通道的脑电数据的话,可以尝试一下将独立成分个数设定为128个。那么很有可能会碰到解混矩阵不收敛的情况,所以说假定独立源个数等于观测信号个数是很鲁莽的。这是为什么呢?其实,脑电信号并没有那么多的独立源,经验上笔者在使用时常常将独立源个数设定为20-30个,而且只去除可以肯定的噪声。我们来深入思考一下,ICA目标是利用信号的不同统计特征,寻找一组混杂信号中原始的或者说独立产生信号的信号发生源。我们可以确定的噪声源,比如眼动的噪声包括眨眼和眼动,也就一个源的两种信号产生模式。再比如心