ICLabel وحذف المكوّنات

ماذا يعني ما رأيته؟

لماذا أحتاج هذه الخطوة؟

ICLabel مساعد لا حَكَم. أنت تراجع اقتراحه، ثم تحذف مكوّنات الآرتفاكت من النسخة الرئيسية.

كيف أطبّقها في EEGLAB؟

ابدأ والنسخة الرئيسية مفتوحة وفيها أوزان ICA، كما في “نقطة البداية”.

أولاً: صنّف المكوّنات

1. افتح Tools › ثم Classify components using ICLabel › ثم Label components.
2. في Select which icversion of ICLabel to use: اترك Default (recommended) واضغط OK.
3. تظهر خرائط رأس المكوّنات، وفوق كل خريطة الفئة الأرجح واحتمالها.
4. اضغط على أي مكوّن لتفتح لوحاته: خريطة الرأس، والطيف، والسلسلة الزمنية، واحتمال كل فئة.

ثانياً: راجع بعينك

لكل مكوّن تنوي حذفه، تأكد من العلامات الثلاث:

لوحات المكوّن التي تفتحها بالضغط عليه تأتي من إضافة Viewprops، وهي مرفقة داخل ICLabel. تفتحها لكل المكوّنات معاً من Tools › ثم Classify components using ICLabel › ثم View extended component properties، وعنوان نافذتها يبدأ بـ View components properties - pop_viewprops(). ملفات Viewprops موجودة في المجلد <EEGLAB>/plugins/ICLabel/viewprops. القائمة تضيفه إلى مسار MATLAB بنفسها، أما السكربت فيضيفه بسطر addpath قبل pop_viewprops، كما في سكربت هذا الدرس.

ثالثاً: ضع وسم الحذف على مكوّنات الآرتفاكت

وسم الحذف (flag) علامة على المكوّن، لا حذف فعلي. الحذف في الخطوة التالية.

1. افتح Tools › ثم Classify components using ICLabel › ثم Flag components as artifacts.
2. تظهر نافذة Select range for flagging component for rejection، فيها حد أدنى Min وحد أعلى Max لكل فئة. الافتراضي: Muscle من 0.9 إلى 1، وEye من 0.9 إلى 1، والباقي فارغ.
3. اضغط OK. ستطبع نافذة الأوامر عدد المكوّنات التي عُلّمت.

رابعاً: احذف المكوّنات وقارن

1. افتح Tools › ثم Remove components from data.
2. تظهر نافذة تذكر أرقام المكوّنات الموسومة وتسأل هل تحذفها. اضغط Manual rej. لترى القائمة وتعدّلها، لا Yes، لأن Yes يحذفها بدون مراجعة. تجاهل ملاحظة STUDY في النافذة الآن، فهي لتحليل عدة مشاركين وتأتي في المحطة 8.
3. خانة List of component(s) to remove from data فيها المكوّنات الموسومة. عدّلها حسب مراجعتك: أضف مكوّناً متأكداً أنه آرتفاكت، أو احذف رقماً تشك فيه. ثم اضغط OK.
4. تظهر نافذة تأكيد. اضغط Plot single trials: الأسود قبل الحذف والأحمر بعده.
5. إذا اختفى الرمش وبقيت الإشارة الباقية كما هي، اضغط Accept.
6. سمِّ الداتاست الجديدة D1 main clean، واترك Overwrite it in memory (set=yes; unset=create a new dataset) غير مفعّل. احفظها من File › ثم Save current dataset as باسم D1_main_clean.set، ويمكن أن يبدأ منها درس طيف القدرة.

خامساً: طبّق الـ low-pass المؤجَّل

الآن بعد تنظيف البيانات، طبّق low-pass عند 30 هرتز كما في درس الفلترة: Tools › ثم Filter the data › ثم Basic FIR filter (new, default)، واكتب 30 في Higher edge of the frequency pass band (Hz). سمِّ الداتاست الناتجة D1 main clean lp30، ثم احفظها من File › ثم Save current dataset as. درس التقطيع يبدأ منها.

كيف أكتبها بالكود؟

% Classify all components with the default ICLabel classifier
EEG = pop_iclabel(EEG, 'default');

% One row per component, one column per class
classes = EEG.etc.ic_classification.ICLabel.classes;
probs   = EEG.etc.ic_classification.ICLabel.classifications;
disp(classes);
disp(round(probs(1:10, :) * 100));

% Flag components above 90% Muscle or Eye
% Row order: Brain, Muscle, Eye, Heart, Line Noise, Channel Noise, Other
thresh = [NaN NaN; 0.9 1; 0.9 1; NaN NaN; NaN NaN; NaN NaN; NaN NaN];
EEG = pop_icflag(EEG, thresh);
artifactComps = find(EEG.reject.gcompreject);

% Review the flagged components
% pop_viewprops is in the ICLabel plugin folder; the menu adds it to the path, a script must add it
addpath(fullfile(fileparts(which('iclabel')), 'viewprops'));
if ~isempty(artifactComps)
    pop_viewprops(EEG, 0, artifactComps);
end

% Remove them from the main dataset
if ~isempty(artifactComps)
    EEG = pop_subcomp(EEG, artifactComps, 0);
end
EEG.setname = 'D1 main clean';
EEG = pop_saveset(EEG, 'filename', 'D1_main_clean.set', 'filepath', pwd);

% Low-pass at 30 Hz, postponed until after ICA cleaning
EEG = pop_eegfiltnew(EEG, 'hicutoff', 30);
EEG.setname = 'D1 main clean lp30';
EEG = pop_saveset(EEG, 'filename', 'D1_main_clean_lp30.set', 'filepath', pwd);

إذا لم يُوسم أي مكوّن، يتخطّى السكربت المراجعة والحذف. وإذا غيّرت مراجعتك القائمة، عدّل artifactComps يدوياً قبل كتلة الحذف.

أي قيمة أختار؟

في الأوراق العلمية الأقدم سترى أدوات أخرى لتصنيف المكوّنات، مثل MARA و ADJUST و SASICA. هذه أدوات أقدم، و ICLabel هو الأداة الافتراضية اليوم.

كيف أتأكد أنها نجحت؟

1. قارن الإشارة. افتح Plot › ثم Channel data (scroll) على D1 main ثم على D1 main clean. يجب أن تختفي قمم الرمش من القنوات الأمامية، وأن تبقى باقي الإشارة شبه مطابقة.
2. عُدّ المكوّنات. في نافذة الأوامر اكتب size(EEG.icawinv, 2). يجب أن يكون العدد السابق ناقص عدد المكوّنات التي حذفتها.
3. افتح خرائط المكوّنات من Plot › ثم Component maps › ثم In 2-D على D1 main clean. يجب ألا يظهر مكوّن الرمش بينها.

ما الأخطاء التي يقع فيها كثيرون؟

• الثقة العمياء بـ ICLabel. هو مصنّف آلي يخطئ أحياناً. راجع كل مكوّن قبل حذفه بالعلامات الثلاث.
• حذف كل ما ليس دماغاً. المكوّن الذي أعلى فئاته Other قد يحمل جزءاً من نشاط الدماغ. إذا لم تتأكد أنه آرتفاكت، أبقِه.
• الحذف من نسخة ICA بدل النسخة الرئيسية. نسخة 1 هرتز لحساب ICA فقط. احذف المكوّنات من النسخة الرئيسية المفلترة عند 0.1 هرتز.
• نقل أرقام المكوّنات. ترتيب المكوّنات يختلف بين تشغيل وآخر. المكوّن رقم 3 في التوتوريال الرسمي أو في صورة هذا الدرس قد لا يكون الرمش عندك.
• إصدار ICLabel قديم. تحقّق من إصداره في File › ثم Manage EEGLAB extensions، وحدّثه إذا كان أقدم من 1.6. EEGLAB 2026.1 يأتي بالإصدار 1.7.

كيف أكتبها في ورقتي؟

قالب: عدّل البيانات والإعدادات والإصدارات لتطابق ما نفّذته.

Components were classified with ICLabel (version 1.7; Pion-Tonachini et al., 2019), and components with a probability above 0.9 for the Eye or Muscle class were reviewed visually and removed ([N] components). Data were then low-pass filtered (passband edge 30 Hz, cutoff frequency [33.64] Hz at −6 dB, filter length [59] points; pop_eegfiltnew, firfilt plugin 2.8).

للتوسّع

• EEGLAB Tutorial: https://eeglab.org/tutorials/06_RejectArtifacts/RunICA.html (6. Reject artifacts > d. Indep. Comp. Analysis: Automated detection of artifactual ICA components)
• EEGLAB Tutorial: https://eeglab.org/tutorials/06_RejectArtifacts/RunICA.html (Subtracting ICA components from data)
• ICLabel Tutorial: https://labeling.ucsd.edu/tutorial/about (ICLabel Tutorial)
• ICA applied to EEG part 9: Automatically detecting ICA component classes: https://www.youtube.com/watch?v=Gi-0KiV_Az8 (الفيديو كاملاً)