EEGLAB シリーズ チュートリアル 5: データ前処理 2 (ICA によるアーティファクトの除去)
今回は脳波データ処理シリーズチュートリアル5を紹介します。前回までに基本的なデータ処理プロセスを紹介しました。以下のリンクを参照してください。
EEGLABシリーズ チュートリアル 1: EEGLAB のインストールと起動
EEGLABシリーズ チュートリアル 2: EEGLABでのデータセットの管理
EEGLABシリーズ チュートリアル 3: EEGLABでの場所の確立
EEGLABシリーズ チュートリアル 4: EEGLAB 1でのデータの前処理
昔、私もアナライザー ソフトウェアを使用して ICA ノイズ除去チュートリアルを共有しました。次のリンクを参照してください。
ICA を実行する前に、これまでの一連のチュートリアルを通じて、肉眼で見える不良チャネルと不良データ セグメントを取り除くことができます。それならICAを実行したほうが良いでしょう。
ICAを実行する
連続 EEGLAB データセットに対して ICA を実行するには、[ツール] → [ICA によるデータの分解] を選択します。関数pop_runicaが呼び出されます。ICA をデフォルトのオプションで実行するには、「OK」を押すだけです。
高いリード (128 リード以上) が使用されている場合、選択したコマンドライン オプションのパラメーターを変更でき、データの一部を PCA 抽出用に選択できます。
通常の操作プロセス:
ICAアルゴリズム
EEGLAB では、さまざまな ICA アルゴリズムを試すことができます。Infomax ICA は runica を使用し、Jader アルゴリズムは jamer.m を使用し、SOBI アルゴリズムは sobi.m を使用します。これらは EEGLAB のデフォルト アルゴリズムです。アルゴリズムはドロップダウン選択で選択できます。
FastICA アルゴリズムを使用することに加えて、FastICA ツールボックスをインストールして MATLAB パスに追加する必要があります。
ICAの成分を見る
runica.m によって与えられるコンポーネントの順序は、各コンポーネントに対して計算された EEG 分散の降順です。
ICコンポーネントの活性化(時間経過)
時間経過に従って IC コンポーネントを表示するには、「プロット」→「コンポーネントのアクティベーション」(スクロール) を選択します。ICA アクティベーションをスクロールすると、特徴的なアーティファクトの原因となっているコンポーネントを簡単に見つけることができます。たとえば、以下の表示では、コンポーネント 3 が点滅コンポーネントである可能性があります。
2D 組成頭皮マッピング
2-D 頭皮組成マップを描画するには、[プロット] → [コンポーネント マップ] → [2-D] を選択します。インタラクティブ ウィンドウは、pop_topoplot 関数によって生成されます (下記)。OKを押すだけですべての材料が描画されます。
次の図が表示され、選択した成分の頭皮表示が表示されます。
ICA分解の品質の最適化
ICA は、機械学習を使用して EEG データのコンポーネントを分解するアルゴリズムです。すべてのトレーニング データが考慮されます。複雑なモーション アーティファクト、電極の不良セクターなど、トレーニング データにあまりにも多くの種類のノイズが残っている場合、これらの不良データの特徴が ICA 分解に影響を与えます。したがって、ICA にできるだけ多くのクリーンな EEG データを提供することが最適です。(大きくて明らかなアーティファクト データを削除します)
ICA 前の自動アーティファクト削除に関連する問題
ICA 前の自動アーティファクト除去により、一部のデータ (大きな点滅など) が削除される場合がありますが、もちろん、これも ICA 方法で修正できます。ただし、アーティファクトの自動削除のしきい値を下げると、ICA が削除できないアーティファクトが多すぎる可能性があります。この場合、次の手順をお勧めします。
- アーティファクトが最小限に除去された (または不良チャネルのみが除去された) データセットから開始します。
- このデータセットで ICA を実行します
- 不良なICAコンポーネントを特定し、データから削除します
- より厳密なしきい値処理またはアーティファクト除去方法を使用して、ICA 後のデータセットを再度クリーンアップし、データから残りのアーティファクトを削除します。
連続データではなくセグメント化されたデータに ICA を適用する
一般に、抽出されたセグメント化されたデータではなく、連続データに対して ICA を使用することをお勧めします。まず、セグメント化されたデータによってサンプル サイズがすでに縮小されており、より多くのデータが存在するほど ICA コンポーネントの品質が高くなります。第 2 に、セグメント化されたデータのベースラインを削除すると、各チャネルにランダムなオフセットが導入され、ICA がモデル化したり補償したりできないため、ICAに大きな影響を与える可能性があります。ベースラインを削除せずにセグメントを抽出することも可能ですが、ICA の実行後、ベースラインが削除される可能性があります。
分割されたデータにICAを適用することも可能です。ICA はデータが定常であること、つまり同じ統計モデルがすべてのデータ サンプルを生成していることを期待します。ステージング後に十分なデータがある場合は、データをステージングする方が安定するため、推奨される場合があります。ただし、異なるイベントをセグメント化して異なるデータセットを生成する場合は、すべての条件に対して同じ ICA 分解を使用することをお勧めします。実際には、これは、ICA を実行する前に、すべてのセグメント タイプを含むデータセットを作成することを意味する場合があります。すべてのデータが統計的に類似していると仮定すると、一般にデータが多いほど、ICA 分解が向上します。期間が長いほど、ICA 用により多くのデータが生成されるため、好ましいです (定常性が維持されると仮定して)。
アーティファクト ICA コンポーネントの自動検出
現在、Luca Pion-Tonachini のICLabelプラグインは、EEGLAB とともにインストールされるデフォルトの EEGLAB プラグインであり、各タイプの独立したコンポーネント (脳、目の動き、筋肉、ライン ノイズなど) の推定値を提供します。ICLabel の目標は、大規模な研究に役立つ十分な信頼性と精度を備えた EEG IC 分類器を開発することです。現在の分類器の実装は、手動でラベル付けされた数千の IC とラベルのない数十万の IC でトレーニングされています。詳細については、ICLabel の参考記事を参照してください。
ICA を実行した後、メニュー項目 [ツール] → [ICLabel を使用してコンポーネントを分類] → [コンポーネントにラベルを付ける] を選択します。デフォルトを選択して「OK」を押すだけです。
次のウィンドウがポップアップし、コンポジションを描画するように求められます。OKを押すだけです。
コンポーネントをクリックすると、コンポーネントのプロパティと各タイプに属する推定確率が表示されるウィンドウが表示されます。IC コンポーネントは、それらが属する可能性が最も高いクラスと、そのクラスに属する可能性とともにプロットされます。
次に、メニュー項目 [ツール] → [ICLabel を使用してコンポーネントを分類] → [コンポーネントをアーティファクトとしてフラグを設定] を選択できます。デフォルト設定では、筋肉または目の動きによるアーチファクト (瞬きや目の動き) のカテゴリに分類される確率が 90% を超えるコンポーネントにフラグを立てます。この機能でコンポーネントをマークすると、コンポーネントを手動で拒否するためのインターフェイスのボタンが赤色になり ([ツール]→[マップによるコンポーネントの拒否])、どのコンポーネントをアーティファクトとしてマークするかを編集できます。
ICAコンポーネントの削除
コンポーネントを削除するには、メニュー バーの [ツール] → [データからコンポーネントを削除] を使用します。
以前にマークされたアーティファクト コンポーネント番号は、デフォルトで結果ウィンドウ (下記) に含まれます。
以下に示すように、「はい」または「手動拒否」ボタンをクリックすると、成分リストを手動で編集できます。
削除するコンポーネント番号を入力し、「OK」をクリックします。次の図に示すように、コンポーネントを削除する前後のデータを比較するかどうかを尋ねるダイアログ ウィンドウが表示されます。
[単一試行のプロット] ボタンをクリックします。表示 (下) は、コンポーネントの除去前 (黒) と除去後 (赤) のデータです。ICA がまばたきアーティファクトの除去にどれだけ効果を発揮しているかがはっきりとわかります。
セグメント化されたデータ期間で ICA コンポーネントが削除された場合、[ERP のプロット] ボタンをクリックすると、チャネル ERP が削除される前 (青) と削除後 (赤) のデータ結果をプロットした、以下のような図が得られます。
結果に満足したら、「同意する」ボタンをクリックします。別のウィンドウが表示され、新しいデータセットの名前を変更するかどうかを尋ねられます。新しい名前を入力し、データセットを保存し、もう一度[OK]を押します。
最後に、インターネットでまとめられている古典的な成分識別情報を添付します。
ウィンクコンポーネント
成分判定:ウインク成分
判断に基づく:
- 頭皮の地形の前面に分布しています。
- ERP イメージには小さな四角形があります。
- ランダムな分布。
- パワー スペクトル図では、低周波エネルギーが高くなります。
- この例のように、コンポーネントは上位にソートされます (IC3)
色の濃淡には意味がありますが、赤でも青でも問題ありません。大きな赤と大きな青は問題ありません。
眼球運動コンポーネント
成分判定:眼球運動成分
判断に基づく:
- 頭皮地形図の前端の両側に分布しており、赤と青が逆になっています。
- ERP イメージでは、赤と青の長いストリップが表示されます。
- ランダムな分布。
- 低周波エネルギーはパワースペクトルの中で高い
- コンポーネントは最初に並べ替えられますが、通常は点滅の後で、この例では IC5 が並べ替えられます。
ヘッドモーションコンポーネント
成分判定:頭を動かす成分
判断に基づく:
- 頭皮の地形に分布しています。
- ERP イメージでは長い帯として表示されます。
- ランダムな分布。
- 1 回の試行内に非常に顕著な (非常に長い) ドリフトが存在します。
成分判定:心電図成分
成分判定:心電図成分
判断に基づく:
1. ERP画像では雨粒のように散らばっています。
成分判定:電源周波数干渉
判断に基づく:
- 頭皮のトポグラフィーはグランドラインの周囲に分布を示します。
- ERP イメージ内の単一トレイル上の分布は非常に規則的です。
- パワー スペクトル グラフでは、エネルギーは 50Hz 付近で最も高くなります (鋭いピークがあります)。
ICA 判定 Web サイト。ICA コンポーネントに詳しくない場合は、この Web サイトの紹介を参照してください。
URL: https://labeling.ucsd.edu/tutorial/labels
参考URL:
https://github.com/sccn/ICLabel
https://labeling.ucsd.edu/tutorial/format
Groppe, DM、Makeig, S.、および Kutas, M. (2009)。半分に分割した比較により、信頼できる独立したコンポーネントを特定します。ニューロイメージ、45 (4)、1199–1211。https://doi.org/10.1016/j.neuroimage.2008.12.038
Luca Pion-Tonachini、Ken Kreutz-Delgado、Scott Makeig、ICLabel: 自動脳波独立成分分類器、データセット、およびウェブサイト、NeuroImage、第 198 巻、2019 年、ページ 181-197、ISSN 1053-8119、https://doi. org/10.1016/j.neuroimage.2019.05.026。
ご覧いただきありがとうございます。役に立ったと思われる場合は、「いいね!」または「注目」をお願いします。
この記事の著者: 陳瑞
この記事は学習の参考のみを目的としています。質問や違反がある場合は、WeChat コミュニケーション: ブレインテクノロジーを追加してください。
Knowledge Planet でのみリリースされるその他の学習コンテンツ: