فلتر 1 هرتز قبل ICA ونسخ الأوزان

ماذا يعني ما رأيته؟

لماذا أحتاج هذه الخطوة؟

لماذا يفيد 1 هرتز ICA؟ الانجراف البطيء كبير، ويتغيّر على طول التسجيل. فيصرف ICA جزءاً من جهده عليه، وتصبح المكوّنات أقل وضوحاً. التوثيق الرسمي يقول إن جودة تفكيك ICA أعلى بوضوح، ومكوّناته أقل غموضاً، عندما تُفلتر البيانات بـ high-pass فوق 1 هرتز، وأحياناً 2 هرتز.

لماذا يضرّ 1 هرتز الـ ERP؟ مكوّنات ERP البطيئة مثل P3 فيها ترددات منخفضة. فلتر 1 هرتز يحذف جزءاً منها، فيصغر P3. ستقيس هذا بنفسك في سكربت هذا الدرس.

لماذا يصح النسخ؟ ICA لا يتعلّم إشارة. يتعلّم طريقة ثابتة لجمع القنوات، ويسمّيها التوثيق الرسمي مرشّحاً مكانياً (spatial filter). النسختان فيهما نفس القنوات ونفس الخلط في الرأس، والفرق في الترددات فقط. لذلك نفس الأوزان تفصل نفس المصادر في النسختين.

كيف أطبّقها في EEGLAB؟

ابدأ بالنسختين من نقطة البداية. سكربتها يضع النسخة الرئيسية في الداتاست 1، ونسخة ICA في الداتاست 2.

أولاً: تحقّق من النسختين

1. افتح قائمة Datasets. ترى D1 main داتاست 1، و D1 ica1hz داتاست 2.
2. اختر الداتاست 2. في النافذة الرئيسية تظهر ICA weights بقيمة Yes.
3. اختر الداتاست 1. تظهر ICA weights بقيمة No، و Channels per frame مثل الداتاست 2: 32 في D1.

ثانياً: انسخ الأوزان

1. والداتاست 1 هي الحالية، افتح Edit › ثم Dataset info.
2. بجانب ICA weights array or text/binary file (if any): اضغط from other dataset، واكتب 2 ثم OK. تمتلئ ثلاث خانات تلقائياً: ALLEEG(2).icaweights و ALLEEG(2).icasphere و ALLEEG(2).icachansind.
3. اضغط OK لإغلاق النافذة. تظهر الآن ICA weights بقيمة Yes في الداتاست 1.

ثالثاً: قارن الخرائط

1. والداتاست 1 هي الحالية، افتح Plot › ثم Component maps › ثم In 2-D.
2. اختر الداتاست 2 وافتح نفس النافذة. الخرائط متطابقة وبنفس الترتيب، ومكوّن الرمش في نفس المكان في النسختين.
3. احفظ الداتاست 1، وهي النسخة الرئيسية بـ 0.1 هرتز لا نسخة ICA بـ 1 هرتز، من File › ثم Save current dataset as باسم D1_main_ica.set. درس ICLabel يبدأ منها.

متى تستخدم 2 هرتز بدل 1؟

إذا بقيت مكوّنات كثيرة غامضة، بخرائط مختلطة أو مبعثرة، ابدأ من الداتاست 1 من جديد: فلتر نسخة جديدة عند 2 هرتز، وشغّل عليها ICA، وانسخ أوزانها بنفس الطريقة. الداتاست 1 تبقى عند 0.1 هرتز في كل مرة.

كيف أكتبها بالكود؟

% EEG_main: main dataset (0.1 Hz); EEG_ica: ICA copy (1 Hz) with weights
% Copy the decomposition back to the main dataset
EEG_main.icaweights  = EEG_ica.icaweights;
EEG_main.icasphere   = EEG_ica.icasphere;
EEG_main.icachansind = EEG_ica.icachansind;
EEG_main.icawinv     = [];   % recomputed by eeg_checkset
EEG_main.icaact      = [];
EEG = eeg_checkset(EEG_main);

% Check: same weights and scalp maps in both copies
fprintf('Same weights: %d\n', isequal(EEG.icaweights, EEG_ica.icaweights));
fprintf('Largest scalp map difference: %g\n', max(abs(EEG.icawinv(:) - EEG_ica.icawinv(:))));
fprintf('ICA components: %d\n', size(EEG.icawinv, 2));

% Why two copies: ERP at Pz around 'square' events in each copy
epMain = pop_rmbase(pop_epoch(EEG, {'square'}, [-0.2 0.8]), [-200 0]);
epIca  = pop_rmbase(pop_epoch(EEG_ica, {'square'}, [-0.2 0.8]), [-200 0]);
pz  = find(strcmp({EEG.chanlocs.labels}, 'Pz'));
win = epMain.times >= 300 & epMain.times <= 600;
erpMain = mean(epMain.data(pz, :, :), 3);
erpIca  = mean(epIca.data(pz, :, :), 3);
fprintf('Mean at Pz, 300-600 ms: 0.1 Hz copy %.2f uV, 1 Hz copy %.2f uV\n', ...
    mean(erpMain(win)), mean(erpIca(win)));
figure;
plot(epMain.times, erpMain, epIca.times, erpIca);
legend('Main dataset (0.1 Hz)', 'ICA copy (1 Hz)');
xlabel('Time (ms)'); ylabel('Amplitude (uV)');

EEG = pop_saveset(EEG, 'filename', 'D1_main_ica.set', 'filepath', pwd);

الجزء الأول هو نفس أسطر نسخ الأوزان في درس تشغيل ICA. التحقق يطبع Same weights: 1، وفرقاً في خرائط الرأس قريباً من الصفر، و31 مكوّناً في D1.

جزء الـ ERP يستخدم pop_epoch، وستتعلّمها في المحطة 5. هنا يعرض الفرق فقط: في D1 المتوسط في Pz بين 300 و600 ملّي ثانية نحو 4.3 ميكروفولت في النسخة الرئيسية، ونحو 3.1 في نسخة 1 هرتز. أي أنك تخسر نحو 30% من P3 لو أكملت على نسخة ICA.

أي قيمة أختار؟

كيف أتأكد أنها نجحت؟

1. في النافذة الرئيسية: والداتاست 1 هي الحالية، تظهر ICA weights بقيمة Yes.
2. نفس الخرائط: خرائط مكوّنات الداتاست 1 والداتاست 2 متطابقة وبنفس الترتيب.
3. تحقق السكربت: يطبع Same weights: 1 و ICA components: 31 في D1.
4. الـ ERP سليم: المتوسط في Pz بين 300 و600 ملّي ثانية أكبر في النسخة الرئيسية منه في نسخة 1 هرتز، نحو 4.3 مقابل 3.1 ميكروفولت في D1.

ما الأخطاء التي يقع فيها كثيرون؟

• إكمال الـ ERP على نسخة 1 هرتز. يصغر P3 كما يبيّن السكربت. نسخة ICA لحساب الأوزان فقط، والتحليل يكمل على النسخة الرئيسية.
• نسخ خانتين فقط من الثلاث. التوثيق الرسمي يذكر icaweights و icasphere. انسخ icachansind أيضاً، وإلا لا يعرف EEGLAB أي القنوات تخصّها الأوزان. زر from other dataset ينسخ الثلاث.
• قنوات مختلفة في النسختين. إذا حذفت قناة أو استوفيتها في نسخة واحدة فقط، لا تعود الأوزان مطابقة. أنهِ كل خطوات القنوات قبل أن تصنع النسخة.
• نسخ icaact من نسخة ICA. هذه السلاسل الزمنية لبيانات 1 هرتز. اترك icawinv و icaact فارغتين، ودع eeg_checkset يحسبهما من النسخة الرئيسية.
• اختيار رقم الداتاست بالتخمين. في from other dataset اكتب رقم نسخة ICA كما يظهر في قائمة Datasets. الرقم الخطأ ينسخ أوزاناً أخرى بلا أي رسالة خطأ.

كيف أكتبها في ورقتي؟

قالب: عدّل البيانات والإعدادات والإصدارات لتطابق ما نفّذته.

Independent component analysis (extended Infomax; Lee et al., 1999) was computed with runica ([31] components after PCA reduction to the data rank) on a copy of the data high-pass filtered at 1 Hz, and the resulting weights were applied to the 0.1 Hz high-pass filtered data.

للتوسّع

• EEGLAB Tutorial: https://eeglab.org/tutorials/06_RejectArtifacts/RunICA.html (How to deal with the aggressive high-pass filter applied before running ICA)
• EEGLAB Tutorial: https://eeglab.org/tutorials/05_Preprocess/Filtering.html (5. Preprocess data > a. Filtering)
• Makoto's preprocessing pipeline: https://eeglab.ucsd.edu/wiki/Makoto%27s_preprocessing_pipeline (§4.1؛ §13.5 Tips for copying ICA results to other datasets)
• Luck, Applied Event-Related Potential Data Analysis (الطبعة الأولى): https://socialsci.libretexts.org/Bookshelves/Psychology/Biological_Psychology/Applied_Event-Related_Potential_Data_Analysis_(Luck) (الفصل 9: Artifact Correction with ICA)