Requisitos para ICA - analisando EEG

Wednesday, 27 de May de 2020

Requisitos para ICA

Veja também ICA (Análise Independente de Componentes)

Como o objetivo do método ICA é identificar componentes independentes de um conjunto de dados, certos pré-requisitos devem ser cumpridos para que resultados úteis sejam alcançados usando o método. O pré-requisito mais importante é que o conjunto de dados ao qual a ICA será aplicada deve conter uma quantidade suficiente de sinais mutuamente independentes. Isso significa que os canais do conjunto de dados não devem ser linearmente dependentes.

Um determinado conjunto de canais depende linearmente se um dos canais puder ser calculado como uma soma ponderada dos canais restantes. Pode ser esse o caso se você aplicou transformações como Derivação Linear, Pooling, Avaliador de Fórmula ou Interpolação Topográfica ao seu conjunto de dados. O mesmo se aplica aos dados gerados usando um método de correção baseado em ICA durante o processamento anterior, pois isso envolve a remoção de componentes.

Dados que contêm uma referência média ou dados que contêm um canal de referência também são inadequados. No entanto, se você excluir um canal do conjunto de dados que contém uma referência média do cálculo da ICA, poderá usá-lo. Se seus dados contiverem um canal de referência, você deverá excluí-lo do cálculo para obter resultados utilizáveis.

Os dados também podem ser inadequados se a dependência linear for apenas aproximada. Se, por exemplo, você usou dois eletrodos para registrar a atividade ocular vertical, esses canais costumam ser tão semelhantes que não podem ser usados como tal em um cálculo da ICA. Em vez disso, você deve usar a diferença entre os dois canais ou excluir um dos dois canais do cálculo da ICA. Problemas semelhantes podem ser causados por pontes de gel ou canais com valores constantes (linhas retas). Observe que não podemos fornecer aqui uma lista completa dos cenários em que os dados são potencialmente inadequados para o cálculo do ICA.

Se você aplicar o método ICA a dados inadequados, os componentes identificados não serão utilizáveis. Além disso, a matriz ICA não pode ser invertida e nem a ICA inversa nem as correções baseadas nesses componentes da ICA retornam resultados utilizáveis.

Para chamar a transformação, escolha Transformations > Frequency and Component Analysis > ICA.

Requisites for ICA

Because the objective of the ICA method is to identify independent components from a data set, certain prerequisites must be fulfilled if useful results are to be achieved using the method. The most important prerequisite is that the data set to which the ICA is to be applied must contain a sufficient quantity of mutually independent signals. This means that the channels of the data set must not be linearly dependent.

A given set of channels is linearly dependent if one of the channels can be calculated as a weighted sum of the remaining channels. This can be the case if you have applied transforms such as Linear Derivation, Pooling, Formula Evaluator or Topographic Interpolation to your data set. The same applies to data generated using an ICA-based correction method during previous processing, as this involves removing components.

Data containing an average reference or data containing a reference channel is also unsuitable. However, if you exclude a channel of the data set that contains an average reference from the ICA calculation, you can then use this data set. If your data contains a reference channel, you should exclude this channel from the calculation in order to obtain usable results.

Data can also be unsuitable if the linear dependence is only approximate. If, for instance, you have used two electrodes to record vertical ocular activity, these channels are often so similar that they cannot be used as such in an ICA calculation. You should instead use the difference between the two channels or exclude one of the two channels from the ICA calculation. Similar problems can be caused by gel bridges or channels with constant values (straight lines). Please note that we cannot here provide a complete list of those scenarios in which the data is potentially unsuitable for ICA calculation.

If you apply the ICA method to unsuitable data, the components which are identified will not be usable. Furthermore, the ICA matrix cannot be inverted and neither the inverse ICA nor corrections based on these ICA components return usable results.

To call the transform, choose Transformations > Frequency and Component Analysis > ICA.

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.

Autor: