我正致力于识别P300 ERP的脑电信号处理方法。 目前，我使用单个数据向量训练我的分类器，我通过对来自原始64通道的所选子集的预处理数据求平均得到。我直接使用EEG的值，而不是fft的频率特征。该方法实际上获得了大约75％准确分类的可靠性能。 我想通过使用ICA来清理EEG数据来改进它。我读了很多教程和论文，我仍然有点困惑。 我在python中实现我的方法，所以我选择使用sklearn的FastICA。
from sklearn.decomposition import FastICA
self.ica = FastICA(n_components=64,max_iter=300)
icaSignal = self.ica.fit_transform(self.signal)
从 25256个样本x 64个通道矩阵我得到原始源的矩阵，也就是 25256x64 。问题是，我不太确定如何使用输出。
平均这些组件并训练分类器与信号一样，将性能降低到30％以下。所以这不太可能。
我读到的另一种方式是，此时拒绝一些组件 - 代表眨眼，肌肉活动等的组件。根据它们的频率和其他一些启发式方法来做。 - 我对如何做到这一点也不太有信心 拒绝一些组件后，下一步是什么？我应该尝试对剩下的那些进行平均并用它们提供分类器，或者我应该在没有它们的情况下尝试重建EEG信号 - 如果是这样，如何在python中执行此操作？我无法找到有关重建步骤的任何信息。在matlab中做起来可能要容易得多，所以没有人费心去写它:(
有什么建议吗？ :) 非常感谢你！
答案 0 :(得分：1)
我没有将Python用于ICA，但是在这些步骤中，无论是Matlab还是Python都无关紧要。
你完全正确，很难拒绝ICA组件。没有广泛接受的客观测量。眼睛眨眼（前额通道中的高电压），肌肉瑕疵（宽频谱覆盖，因为它是EMG，在外围通道）存在某些模式。如果您不知道从哪里开始，我建议您阅读一个名为EEGLAB的Matlab插件的帮助。这个UCSD小组有一些很好的材料可以帮助你开始。
http://sccn.ucsd.edu/~jung/artifact.html
http://sccn.ucsd.edu/wiki/Chapter_09:_Decomposing_Data_Using_ICA
回答你关于ICA重建的问题：在拒绝一些ICA组件后，你应该在没有它们的情况下重建原始脑电图。