Skip to content

第4章:使用 ICA 去除伪迹

承接第3章 — 预处理 — 滤波与重参考。

滤波和重参考处理的是范围广、可预测的噪声;独立成分分析(ICA)处理的则是与真实脑信号在频率上重叠的伪迹——主要是眨眼、眼动和肌电活动。这正是 MNE-Python 教程使用 ICA 去除伪迹一章中以代码形式处理的同一个问题。

运行 ICA

Process → Run ICA... 会将记录数据分解为若干统计独立的成分,并且可以选择算法——FastICA、Infomax、PICARD 均受支持,这与代码中 mne.preprocessing.ICA() 可选的算法一一对应。根据算法和数据量的不同,这个过程可能耗时几秒到几分钟不等。

查看成分

ICA 完成后,有两个绘图命令可以帮助识别哪些成分是伪迹、哪些是脑信号:

  • Plot → Plot ICA Components 展示每个成分在头皮上的地形图;眨眼成分通常会在前额电极上呈现出清晰、对称的模式。
  • Plot → Plot ICA Sources 并排展示每个成分的时间序列,方便你把明显、稀疏的尖峰与可见的眨眼对应起来,或把有节律的模式与心跳对应起来。

借助分类器:ICLabel

逐一用肉眼判断每个成分是可行的,但既慢又容易在不同人之间产生分歧。Process → Label ICs... 会对每个成分运行自动分类器 ICLabel,并为其打上 Brain、Eye、Muscle、Heart、Line Noise、Channel Noise 或 Other 的标签,附带一个置信度分数,从而把"这看起来像不像眨眼"这种主观判断,转变为一个可以在不同记录数据间保持一致阈值的数值。

去除伪迹成分

一旦你(通过肉眼、ICLabel,或两者结合)确定了要排除的成分,Process → Apply ICA 就会精确地减去这些成分的贡献,重建出一份干净的记录数据——这与代码中 ica.apply() 所采用的"去除而非忽略"的思路完全一致。Process → Import/Export ICA... 可以让你保存一次拟合好的分解结果以便在另一份记录数据上复用,或者反过来把它加载回来。

下一步: 第5章 — 事件与分段