EEGLAB 中使用 ICA 对 MATLAB矩阵格式的EEG进行分析并去除伪影

### 使用 EEGLAB 和 ICA 对 MATLAB 矩阵格式的 EEG 数据进行分析并去除伪影 #### 准备工作 为了在 EEGLAB 中使用 ICA 进行 EEG 数据分析，首先需要确保安装了 EEGLAB 工具箱，并加载了待处理的数据集。EEGLAB 支持多种文件格式，包括原始二进制文件、MAT 文件以及来自其他软件包导出的文件。 #### 加载数据 假设已经有一个名为 `data.mat` 的 MATLAB 矩阵文件，其中包含了 EEG 记录。可以按照以下方式将其导入到 EEGLAB： ```matlab % 启动 EEGLAB GUI 或者命令行模式 eeglab; % 导入 .mat 文件中的 EEG 数据结构体 load('data.mat'); % 假设 data.mat 包含变量 'dataset' % 将数据转换成 EEGLAB 结构体形式 EEG = pop_eeginv(dataset); ``` #### 预处理阶段 在执行 ICA 分解前，建议先对数据做一些基本预处理操作来提高后续分析的质量。这通常涉及重采样、滤波、重新参考等步骤。对于含有明显噪声的情况，在此阶段也可以尝试简单的手动或自动化方法移除部分显著异常值[^2]。 #### 执行 ICA 分解 完成上述准备工作之后就可以调用 runica() 函数来进行实际的 ICA 处理: ```matlab % 设置参数选项 (可以根据具体需求调整) cfg = []; cfg.artifact = 'none'; % 不在此处应用任何自动伪迹检测/排除策略 cfg.setbads = []; % 如果有已知坏掉的电极，则在这里指定它们的名字作为字符串数组 % 应用 ICA 方法于整个连续记录之上 [icawinv, icaweights, icasphere, icacomp] = runica(EEG.data', cfg); % 更新 EEG 结构体内相应的字段以反映新的ICA结果 EEG.icawinv = icawinv; EEG.icaweights = icaweights; EEG.icasphere = icasphere; EEG.icachansort = find(~isnan(mean(abs(icaweights), 2))); % 排序后的通道索引 ``` 此时得到的结果保存到了四个新创建的属性里 (`icawinv`, `icaweights`, `icasphere`, `icachansort`) ，而原始观测信号被表示成了若干个相互统计独立源活动的线性组合[^1]。 #### 查看与选择成分 通过图形界面浏览各 IC 成分的空间分布及其对应的时域特性可以帮助识别哪些可能是由生物物理过程产生的有效脑电信号，哪些更像人为干扰造成的污染项。例如，可以通过下面这段代码打开交互式的可视化窗口查看特定编号范围内的多个ICs : ```matlab topoplot(EEG.pnts, EEG.chanlocs, icaweights(:, [1:12]), [], ... {'IC #1','IC #2','IC #3','IC #4','IC #5',... 'IC #6','IC #7','IC #8','IC #9','IC #10','IC #11','IC #12'}); ``` #### 移除选定的伪影成分 一旦决定了要保留还是丢弃某些成分，就可通过修改权重矩阵的方式实现这一点。比如想要删除第 n 号成分的影响，只需简单地令其对应位置上的系数置零即可： ```matlab badcomp = [n]; % 定义一个包含所有需消除成分ID的向量 for i=1:length(badcomp), icaweights(:, badcomp(i)) = zeros(size(icaweights, 1), 1); end % 创建一个新的 EEG 结构体用于存储清理过后的版本 cleaned_EEG = EEG; cleaned_EEG.data = ((icaweights * diag(diag(icasphere)))' * EEG.data'); ``` 这样便完成了基于 ICA 技术的一轮典型 EEG 清洗流程介绍。当然实际情况往往更加复杂多样，可能还需要结合更多领域专业知识才能达到理想效果。