脑电分析——ICLabel的一对多成分关系与手工阈值
ICLabel的一对多成分关系与手工阈值
- ICLabel
- 理论基础
- 一对多关系
- 手工阈值的意义
- 学习感受
ICLabel
在 EEG（脑电图）中，伪迹是一个不可忽视的问题。无论是眼动、肌肉活动、心电干扰，还是电源线噪声，都会对数据质量造成影响。
ICA（独立成分分析）是一种常用的去伪迹方法，它能将混合信号分解为相对独立的成分。然而，分解后的成分需要人工判断哪些是脑电，哪些是伪迹 —— 这既耗时又主观。
而 ICLabel 插件 能自动为每个成分打标签，并给出属于不同类别的概率。
理论基础
ICLabel 是 EEGLAB 的一个插件，基于 >200,000 个由专家与众包标注的 ICA 成分训练的机器学习模型。
它会为每个成分输出一个概率（7类），如：
| 成分 | Brain | Muscle | Eye | Heart | Line Noise | Channel Noise | Other |
|---|---|---|---|---|---|---|---|
| IC1 | 0.85 | 0.05 | 0.05 | 0.01 | 0.02 | 0.01 | 0.01 |
| IC2 | 0.40 | 0.35 | 0.20 | 0.01 | 0.03 | 0.00 | 0.01 |
1.Brain（脑源信号）
2.Muscle（肌肉伪迹）
3.Eye（眼动伪迹，如眨眼、扫视）
4.Heart（心电信号）
5.Line Noise（工频干扰，50/60 Hz）
6.Channel Noise（电极接触不良等）
7.Other（其他难以归类的成分）
（1）
这张图是对独立成分分类结果的可视化展示，每个脑电图的下方标注了该独立成分被分类为某类别的概率：
- 比如标着 “Muscle : 70.4%” ，说明第6个独立成分，有 70.4% 的可能性属于肌肉伪迹成分；
- “Eye : 71.9%” 即第 13 个成分，71.9% 可能性是眼电伪迹
- “Brain : 98.4%” 代表第 9 个成分，有极大概率（98.4%）是脑电活动成分
这些不同分类，帮助我们识别出 EEG 数据里哪些成分是脑电信号（我们想要分析的有用信号 ），哪些是各类伪迹（会干扰脑电信号分析，通常需要去除或校正 ）。
（2）点击其中某个电机之后（以第一个为例），会具体显示出单个成分的分析结果图，它会为每个成分输出一个概率。
如下图的绿色框框内的结果所示：
一对多关系
“一对多” 指的是：
ICLabel 输出的是一个 IC × 7 类别 的概率矩阵，每行表示一个独立成分。
如果某一行的 Brain、Muscle、Eye、Heart、Line Noise、Channel Noise、Other 的概率都比较接近，比如 Brain=0.4, Muscle=0.3, Eye=0.2，这是典型的“一对多”成分。
说明该 IC 混合了脑电和伪迹特征，不容易单纯归为一个类别。
手工阈值的意义
由于 ICLabel 输出的是概率，我们可以根据概率设定阈值来判断去留。
做法有：
-
保留脑电成分（Brain）：概率 > 0.7
-
去除肌电（Muscle）：概率 > 0.75 → 去除
-
去除眼动（Eye）：概率 > 0.8 → 去除
-
去除心电（Heart）：概率 > 0.8 → 去除
-
去除电源噪声/通道噪声（Line/Channel Noise）：概率 > 0.8 → 去除
-
其他成分（Other）：通常概率 > 0.8 → 去除
（1）去除概率为60%-100%的肌电（Muscle）伪迹 和 去除概率为60%-100%的眼电（Eye）伪迹
结果对比图：
（2）去除概率为60%-100%的肌电（Muscle）伪迹 和 去除概率为50%-100%的眼电（Eye）伪迹
结果对比图：
（3）去除概率为60%-100%的肌电（Muscle）伪迹 和 去除概率为50%-100%的眼电（Eye）伪迹 和 去除概率为80%-100%的其他
结果对比图：
合理的阈值 能在去除伪迹的同时，尽量保留有效脑电信号。
学习感受
本周我主要学习了 EEGLAB 中的 ICLabel 插件。首先通过 ICA 分解将混合信号分解为独立成分，然后使用 ICLabel 插件自动为每个成分打上 7 类概率标签。通过设置不同阈值，查看其去伪迹效果，并通过比较了解了处理前后的差异。