728x90 반응형 SMALL ICA2 [MNE-Python] ICA를 이용하여 EEG 신호에서 안구 운동 제거 배경 ICA (독립 구성 요소 분석)는 다중 채널 EEG 기록을 최대한 독립적인 구성 요소로 분해한다. 안구 활동을 나타내는 구성 요소를 식별하고 제거하여 인공물이 없는 EEG 신호를 재구성할 수 있다. 이 접근 방식은 Jung et al.에 자세히 설명되어 있다 (2000). 회귀 기반 접근 방식은 EOG 채널이 필요하지만 ICA는 참조 신호 없이 작동한다. 두 방법 모두 잠재적으로 안구 활동 외에도 뇌 활동을 제거한다. 많은 EEG 채널을 사용할 수 있는 경우 ICA는 안구 구성요소를 뇌 구성요소에서 잘 분리할 수 있다 (이를 위해서는 상대적으로 많은 데이터 샘플이 필요함). 더 깨끗한 분리는 또한 안구 구성 요소가 제거될 때 더 적은 뇌 활동이 제거됨을 의미한다. ICA 분해에 필요한 최소 EEG .. 2022. 8. 23. ICA (Independent components analysis) ICA (Independent components analysis) ICA (독립 구성 요소 분석)는 소스 신호가 알 수 없는 비율로 함께 혼합된 녹음 세트에서 독립 소스 신호를 추정하는 기술이다. 또한, 다변량의 신호를 통계적으로 독립적인 하부 성분으로 분리하는 계산 방법이다. 각 성분은 비 가우스 성 신호로서 서로 통계적 독립을 이루는 성분으로 구성되어 있다. 독립 성분 분석은 블라인드 신호를 분리하는 특별한 방법이다. EEG / MEG 분석에 어떻게 적용되는지 이해하는 것은 어렵지 않다. 많은 "마이크" (센서 채널)가 동시에 많은 "악기" (깜빡임, 심장 박동, 뇌의 여러 영역에서의 활동, 턱을 악물음으로 인한 근육 활동)를 녹음한다 (또는 삼키기 등). 이러한 다양한 소스 신호가 통계적으로 독립.. 2022. 4. 11. 이전 1 다음 728x90 반응형 LIST
