تشغيل ICA

ماذا يعني ما رأيته؟

لماذا أحتاج هذه الخطوة؟

السبب أن الانجراف البطيء يربك ICA، والتوثيق الرسمي يقول إن جودة التفكيك أعلى بوضوح مع high-pass فوق 1 هرتز. لكن فلتر 1 هرتز يشوّه مكوّنات ERP البطيئة مثل P3.

الحل نسختان من نفس البيانات:

1. نسخة ICA مفلترة عند 1 هرتز، نحسب عليها ICA فقط.
2. النسخة الرئيسية مفلترة عند 0.1 هرتز، ننسخ لها نتيجة ICA ونكمل عليها التحليل.

نتيجة ICA مجموعة أوزان، أي طريقة ثابتة لخلط القنوات. لذلك يصح تطبيقها على النسخة الرئيسية، كما يوضّح التوثيق الرسمي.

كيف أطبّقها في EEGLAB؟

ابدأ والنسخة الرئيسية مفتوحة كما في “نقطة البداية”. سنسمّيها الداتاست 1.

أولاً: اصنع نسخة ICA

1. تأكد أن الداتاست 1 هي الحالية من قائمة Datasets.
2. افتح Tools › ثم Filter the data › ثم Basic FIR filter (new, default).
3. في Lower edge of the frequency pass band (Hz) اكتب 1، واترك باقي الخانات كما هي، ثم اضغط OK.
4. سمِّ الداتاست الجديدة D1 ica1hz، واترك Overwrite it in memory (set=yes; unset=create a new dataset) غير مفعّل. صارت عندك الداتاست 2، والداتاست 1 لم تتغيّر.

ثانياً: شغّل ICA على نسخة ICA

1. والداتاست 2 هي الحالية، افتح Tools › ثم Decompose data by ICA.
2. في ICA algorithm to use (click to select) اترك الخيار الأول Extended Infomax (runica.m; default). خانة الخيارات تحته تكون 'extended', 1.
3. أبقِ Reorder components by variance (if that’s not already the case) مفعّلاً، واترك خانة Use only channel type(s) or indices فارغة، ثم اضغط OK.
4. قد تظهر نافذة تقول إن رتبة البيانات (rank) أقل من عدد القنوات، وفيها خانة Proposed rank:. قارن رقمها بالرتبة المتوقّعة: عدد القنوات، ناقص القنوات المستوفاة، ناقص 1 للمرجع المتوسط. في D1 هي 31 من 32. إذا اختلف الرقم فاكتب الرقم المتوقّع، ثم اضغط OK.
5. انتظر. ستطبع نافذة الأوامر خطوات التدريب، وقد يستغرق ذلك من أقل من دقيقة إلى بضع دقائق حسب جهازك.

ثالثاً: اعرض خرائط المكوّنات

1. افتح Plot › ثم Component maps › ثم In 2-D واترك الإعدادات الافتراضية.
2. ابحث عن مكوّن الرمش: خريطة قوية في مقدمة الرأس، متماثلة بين اليمين واليسار. غالباً يكون بين المكوّنات الأولى.

رابعاً: انسخ الأوزان إلى النسخة الرئيسية

1. ارجع للداتاست 1 من قائمة Datasets.
2. افتح Edit › ثم Dataset info.
3. 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.
4. اضغط OK لإغلاق النافذة.
5. احفظ النسخة الرئيسية من File › ثم Save current dataset as. درس ICLabel يبدأ منها.

كيف أكتبها بالكود؟

% Main dataset (high-pass 0.1 Hz, line noise removed, average reference) is in EEG
EEG_main = EEG;

% ICA copy: same data, high-pass at 1 Hz
EEG_ica = pop_eegfiltnew(EEG_main, 'locutoff', 1);
EEG_ica.setname = 'D1 ica1hz';

% Expected rank: channels - interpolated channels - 1 (average reference)
expectedRank = EEG_ica.nbchan - numel(badChans) - 1;
fprintf('Expected data rank: %d\n', expectedRank);

% Extended Infomax on the ICA copy
EEG_ica = pop_runica(EEG_ica, 'icatype', 'runica', 'extended', 1);
% If "Data rank (N)" is missing or N differs from expectedRank, run instead:
% EEG_ica = pop_runica(EEG_ica, 'icatype', 'runica', 'extended', 1, 'pca', expectedRank);

% 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);

% Scalp maps of the first 20 components
pop_topoplot(EEG, 0, 1:20);

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

في السكربت لا تظهر نافذة الرتبة. pop_runica يحاول اكتشاف الرتبة الناقصة، لكن تقديره قد يفشل. وإذا اكتشفها يطبع سطراً مثل Data rank (31) is smaller than the number of channels (32). قارن هذا الرقم بسطر Expected data rank الذي طبعه السكربت. إذا لم يظهر السطر أو اختلف الرقمان، استخدم السطر المعلَّق الذي يمرّر 'pca' بالقيمة المتوقّعة. وإذا كان في بياناتك قنوات سيئة، مثلاً 32 قناة استوفيت منها 2، فالرتبة المتوقّعة 29.

أي قيمة أختار؟

كيف أتأكد أنها نجحت؟

1. في نافذة EEGLAB الرئيسية، والداتاست 1 هي الحالية، يجب أن تظهر ICA weights بقيمة Yes.
2. في نافذة الأوامر اكتب size(EEG.icawinv). في D1 بدون قنوات مستوفاة يظهر 32 31: 32 قناة و31 مكوّناً. كل قناة مستوفاة تنقص عدد المكوّنات بواحد.
3. افتح خرائط المكوّنات من Plot › ثم Component maps › ثم In 2-D على الداتاست 1. يجب أن ترى نفس الخرائط التي ظهرت على نسخة ICA، ومنها مكوّن الرمش.
4. افتح الملف المحفوظ من جديد من File › ثم Load existing dataset، وتأكد أن ICA weights ما زالت Yes.
5. الرتبة مطابقة: رقم Data rank الذي طبعه pop_runica يساوي Expected data rank. في D1 كلاهما 31.

ما الأخطاء التي يقع فيها كثيرون؟

• حساب ICA على بيانات 0.1 هرتز، أو إكمال الـ ERP على نسخة 1 هرتز. الأول يعطي تفكيكاً أضعف، والثاني يشوّه P3 و N400. النسختان معاً هما الحل.
• الاعتماد على التقدير التلقائي للرتبة. pop_runica يحاول اكتشاف الرتبة، لكن تقديره قد يفشل. علامات الرتبة الفائتة: عدة مكوّنات متشابهة جداً أو تشبه الضجيج، أو ICA لا يتقارب. قارن دائماً Data rank المطبوع بالرتبة المتوقّعة (القنوات ناقص المستوفاة ناقص 1). إذا اختلفا، اكتب في خانة الخيارات 'pca', 31 برقمك المتوقّع بدل 31.
• دخول قنوات غير دماغية بالغلط. استبعد قنوات EOG و ECG حسب هدفك، ولا تتركها تدخل بدون قرار. استخدم خانة Use only channel type(s) or indices لتحديد القنوات. في D1 قرّرنا إبقاء قناتي العين لسبب واضح.
• توقّع نفس النتيجة في كل مرة. ICA يخلط ترتيب البيانات عشوائياً أثناء التدريب، فيختلف ترتيب المكوّنات وشكلها قليلاً بين تشغيل وآخر. لذلك قد لا يطابق ترتيب مكوّناتك الصورة في هذا الدرس: مكوّن الرمش قد يكون رقم 1 عندنا ورقم 3 عندك. ابحث عن المكوّن بشكله، لا برقمه.
• تغيير المرجع بعد ICA. الأوزان مرتبطة بالمرجع الذي حُسب عليه ICA. أعد المرجع قبل ICA واتركه بعده. EEGLAB نفسه يحذّرك إذا غيّرته.

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 (6. Reject artifacts > d. Indep. Comp. Analysis: Running ICA decompositions)
• 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/06_RejectArtifacts/RunICA.html (Issues with data rank deficiencies)
• 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 part 7: Running ICA in EEGLAB and visualizing components: https://www.youtube.com/watch?v=2hrYEYSycGI (الفيديو كاملاً)