你有没有注意到你的“组件”完全是原始信号的比例和颠倒？这是因为你不能得到比信号更多的成分。在

您需要执行以下步骤：将所有EEG通道输入ICA

手动移除包含眨眼或其他伪影的组件

用反变换重构

让我们详细了解第2步：为什么要手动删除组件？

伊卡对眨眼一无所知。它根据统计测量将信号分成不同的分量。如果幸运的话，这些部件中的一些看起来像是眨眼。在

到目前为止还可以，但真正的问题是没有定义组件的顺序。运行ICA，您可能会发现组件1包含眨眼。再次运行它，它们在组件3中。同样，它们都在第2和第5部分中。。。在

没有办法预先知道要移除哪些组件和多少个组件。这就是为什么每次运行时都需要手动告诉算法。在

在类似这样的代码中：# Use all channels - they will contain eye blinks to varying degrees

X = f1ep1_data[:, :]

# run ICA on signal

ica = FastICA(n_components=x.shape[1]) # we want *all* the components

ica.fit(X)

# decompose signal into components

components = ica.fit_transform(X)

# plot components and ask user which components to remove

# ...

remove_indices = [0, 1, 3] # pretend the user selected components 0, 1, and 3

# "remove" unwanted components by setting them to 0 - simplistic but gets the job done

components[:, remove_indices] = 0

#reconstruct signal

X_restored = ica.inverse_transform(components)

很可能你对手动步骤不满意。不幸的是：)2013年还没有一个健壮的自动算法来标记眨眼成分。我不认为这已经改变，但如果有什么东西你会发现它是一个领域特定的包，如MNE或PyEEG。在

我用模拟的“脑电图”数据创建了一个工作示例。

数据包括三个通道：额叶、中央和顶叶。10赫兹的阿尔法活动在后面最强，一些眨眼样的尖峰在前面最强。在

希望这个例子能更好地说明如何从多通道数据中删除组件。在

^{pr2}$