فكرة ICA ببساطة

ماذا يعني ما رأيته؟

لاحظ في المرحلة الأخيرة أمرين. أولاً، ترتيب المكوّنات لا يطابق ترتيب المصادر. ثانياً، قد يكون المكوّن مقلوباً أو بحجم مختلف. ICA يجد شكل كل مصدر في الزمن، لكنه لا يعرف اسمه ولا حجمه الحقيقي ولا ترتيبه. تسمية المكوّنات عملك أنت، أو عمل ICLabel لاحقاً.

لماذا أحتاج هذه الخطوة؟

• الأشخاص هم المصادر: نشاط مناطق في الدماغ، ورمش العين، والعضلات، والقلب، وضوضاء الكهرباء.
• الميكروفونات هي القنوات (channels) على الرأس.
• الخلط يحدث لأن التيار ينتشر في الرأس قبل أن يصل إلى الأقطاب. التوثيق الرسمي يصف هذا الخلط بأنه سلبي وخطّي، ولا يضيف معلومة جديدة.

لذلك كل قناة خليط. قناة FPz في مقدمة الرأس مثلاً تسجّل نشاط الدماغ ومعه رمش العين بقوة.

ICA يبحث عن طريقة لإعادة جمع القنوات تعطي إشارات مستقلة عن بعضها في الزمن قدر الإمكان. كل إشارة منها اسمها مكوّن ICA (independent component).

كيف أطبّقها في EEGLAB؟

لا توجد خطوات في EEGLAB لهذا الدرس، لأنه يشرح الفكرة قبل أن تشغّل ICA.

ستقابل الفكرة في الواجهة في الدروس التالية:

• تشغيل ICA: من Tools › ثم Decompose data by ICA. بعده تظهر ICA weights بقيمة Yes في النافذة الرئيسية.
• خرائط الرأس: من Plot › ثم Component maps › ثم In 2-D. كل خريطة تبيّن أين يظهر المكوّن على الرأس.
• حذف مكوّن: من Tools › ثم Remove components from data. هذه خطوة منفصلة تقرّرها أنت بعد المراجعة.

كيف أكتبها بالكود؟

هذا السكربت اختياري. شغّله بعد تثبيت EEGLAB إذا أردت أن ترى الحفلة بنفسك. يصنع ثلاثة مصادر مصطنعة، ويخلطها في ثلاث “قنوات”، ثم يفصلها بالدالة runica من EEGLAB.

eeglab nogui;   % puts runica on the MATLAB path

% Three made-up sources, 10 seconds at 128 Hz
srate = 128;
t = (0:10*srate-1) / srate;
brain = sin(2*pi*10*t);                        % steady 10 Hz rhythm
n = round(0.3*srate);
win = 0.5 - 0.5*cos(2*pi*(0:n-1)/(n-1));       % smooth bump for one blink
blink = zeros(size(t));
blink(round([1.5 4 6.5 9]*srate)) = 1;
blink = 5 * conv(blink, win, 'same');          % four large, slow blinks
muscle = 0.5 * randn(size(t));                 % fast, irregular activity
S = [brain; blink; muscle];

% Each channel records a different mix of the three sources
A = [1.0 0.8 0.3;     % frontal channel: strong blink
     0.9 0.2 0.4;     % central channel
     0.7 0.1 1.0];    % temporal channel: strong muscle
X = A * S;

% ICA unmixes the channels without knowing A
[weights, sphere] = runica(X, 'extended', 1);
act = weights * sphere * X;

figure;
for k = 1:3
    subplot(3, 2, 2*k-1); plot(t, X(k, :));   title(sprintf('Channel %d (mixture)', k));
    subplot(3, 2, 2*k);   plot(t, act(k, :)); title(sprintf('ICA component %d', k));
end

في العمود الأيسر ترى القنوات الثلاث، وكلها مختلطة. في العمود الأيمن ترى المكوّنات: إيقاع منتظم، وقمم رمش، ونشاط عشوائي، كل واحد في سطر وحده.

أي قيمة أختار؟

لا قيم تختارها في هذا الدرس. الجدول يربط الفكرة بما ستراه في EEGLAB.

كيف أتأكد أنها نجحت؟

1. تستطيع شرح الحفلة بجملتين: القنوات ميكروفونات تسمع خليطاً، و ICA يستخرج كل صوت وحده.
2. تعرف جزأي مكوّن ICA: خريطة رأس (EEG.icawinv) وسلسلة زمنية (EEG.icaact).
3. إذا شغّلت السكربت، ترى في العمود الأيمن ثلاثة مكوّنات منفصلة، كل واحد يشبه أحد المصادر الثلاثة، بترتيب أو إشارة قد تختلف.

ما الأخطاء التي يقع فيها كثيرون؟

• الظن أن ICA يحذف شيئاً. ICA وحده لا يغيّر بياناتك. يعطيك طريقة أخرى لرؤية نفس البيانات. الحذف قرار منفصل في درس ICLabel.
• الخلط بين القناة ومكوّن ICA. القناة ما يسجّله قطب واحد. مكوّن ICA مصدر محسوب من كل القنوات معاً، وله خريطة على الرأس كله.
• الخلط بين مكوّن ICA ومكوّن ERP. مكوّن ERP مثل P3 قمة في متوسط الـ epochs. مكوّن ICA مصدر مستقل يُحسب من كل نقاط التسجيل، لا من المتوسط. قل دائماً “مكوّن ICA” أو “مكوّن ERP”.
• انتظار نفس الترتيب في كل مرة. ترتيب المكوّنات وإشارتها وحجمها قد تختلف بين تشغيل وآخر. ابحث عن المكوّن بشكله، لا برقمه.
• توقّع مصادر أكثر من القنوات. ICA لا يستطيع إيجاد مكوّنات أكثر من رتبة البيانات. مع 32 قناة لا تحصل على 50 مصدراً.

للتوسّع

• EEGLAB Concepts guide: https://eeglab.org/tutorials/ConceptsGuide/ICA_background.html (Independent Component Analysis of EEG data)
• EEGLAB Tutorial: https://eeglab.org/tutorials/06_RejectArtifacts/RunICA.html (6. Reject artifacts > d. Indep. Comp. Analysis)
• 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)
• ICA applied to EEG: What is ICA?: https://www.youtube.com/watch?v=kWAjhXr7pT4 (الفيديو كاملاً)