ICA (Análise Independente de Componentes)
A transformação ICA é usada para dividir os sinais EEG em componentes independentes usando métodos da teoria da informação. Supõe-se aqui que os sinais de EEG são uma combinação linear de componentes independentes (independentes conforme definido na teoria da informação). A transformação ICA separa os sinais complexos em componentes virtuais independentes.
O objetivo da transformação ICA no que é conhecido como "separação cega da fonte" é reconstruir os sinais da fonte a partir de uma combinação desses sinais. Os sinais da fonte e a combinação são desconhecidos. No entanto, são feitas suposições sobre os sinais e como eles são combinados. Supõe-se que os sinais a serem reconstruídos sejam estatisticamente independentes um do outro. Nesse ponto, basta dizer que a transformação ICA é um método puramente estatístico ou matemático. É baseado nas suposições acima e não usa nenhuma informação fisiológica adicional. Cabe a você verificar se as suposições estão corretas e se correspondem às condições fisiológicas reais. Eles influenciam diretamente a validade dos resultados obtidos usando a transformação ICA.
O resultado da transformação ICA é um conjunto de componentes que são definidos analogamente aos canais EEG no domínio do tempo. Além disso, a transformação ICA fornece uma matriz de peso ou matriz ICA por meio da qual os componentes podem ser calculados a partir dos canais. O algoritmo infomax ou o algoritmo ICA rápido é usado para determinar a matriz ICA. O algoritmo infomax é um método de gradiente iterativo usado para estimar a probabilidade máxima. O algoritmo ICA rápido é um método iterativo de ponto fixo usado para minimizar a negentropia.
ICA (Independent Component Analysis)
The ICA transform is used to split the EEG signals up into independent components using information theory methods. It is assumed here that EEG signals are a linear combination of independent components (independent as defined in information theory). The ICA transform separates the complex signals into independent virtual components.
The purpose of the ICA transform in what is known as "blind source separation" is to reconstruct source signals from a combination of these signals. Both the source signals and the combination are unknown. However, assumptions are made about the signals and how they are combined. It is assumed that the signals to be reconstructed are statistically independent of each other. At this point, it is enough to say that the ICA transform is a purely statistical or mathematical method. It is based on the above assumptions and does not use any additional physiological information. It is up to you to check that the assumptions are correct and that they correspond to the actual physiological conditions. These directly influence the validity of the results obtained using the ICA transform.
The result of the ICA transform is a set of components that are defined analogously to EEG channels in the time domain. In addition, the ICA transform provides a weight matrix or ICA matrix by means of which the components can be calculated from the channels. The infomax algorithm or the fast ICA algorithm is used to determine the ICA matrix. The infomax algorithm is an iterative gradient method used to estimate maximum likelihood. The fast ICA algorithm is an iterative fixed-point method used to minimize negentropy.
References
[BS95] A.J. Bell, T.J. Sejnowski, An information-maximation approach to blind separation and blind deconvolution. Neural Computation 7 (1995), 1129-1159.
[BS04] C.F. Beckmann, S.M. Smith, Probabilistic Independent Component Analysis for Functional Magnetic Resonance Imaging, IEEE Trans. on Medical Imaging 23(2) (2004), 137 - 152.
[Car98] J.-F. Cardoso, Blind Signal Separation: Statistical Principles. Proceedings of the IEEE, 86/10, 1998.
[HKO01] A. Hyvärinen, J. Karhunen, E. Oja, Independent Component Analysis, John Wiley & Sons, New York, 2001.
[MBJ96] S. Makeig, A.J. Bell, T.-P. Jung, T.J. Sejnowski, Independent Component Analysis of Electroencephalographic Data, Advances in Neural Information Processing Systems, MIT Press, Cambridge MA, 8, 1996.
[MBJ97] S. Makeig, A.J. Bell, T.-P. Jung, D. Ghahremani, T.J. Sejnowski, Blind separation of auditory event-related brain responses into independent components. Proc. Natl. Acad. Sci.
USA, 94 (1997), 10979-10984.
[TB99] M.E. Tipping, C.M. Bishop, Mixtures of probabilistic principal component analysers. Neural Computation 11 (2) (1999), 443 - 482.
The content published here is the exclusive responsibility of the authors.