我正在尝试对来自每个受试者七个电极的 EEG 信号使用 ICA（FastICA 通过 scikit-learn）进行特征提取和身份分类——即提取与特定皮层区域相关的无噪声信号并将其馈送到例如 MLP分类。
据我目前的理解，我应该能够获得最多七个我似乎正在实现的单独组件，但我不明白如何实际选择与特定领域相关的一个，也不了解如何验证结果。我怎么知道我没有提取噪音（它们都非常相似）？
数据已使用巴特沃斯带通滤波器 (4 – 40 Hz) 进行了预处理。通过 MLP 对六名受试者进行分类的平均误差目前约为 12%，但类似的研究取得了更好的结果。
参见例如：
请原谅这篇文章的跛脚——我读过的研究论文和对 ICA 的介绍在解释和使用涉及理想组件的示例方面并不出色。
任何人？
我怎么知道我没有提取噪音（它们都非常相似）？
您应该首先找到或记录一组易于理解的信号，您可以使用这些信号测试您的特征提取代码，以验证您的设置是否正确以及提取的组件是否符合预期。
然后，您将更有信心不会因代码中的错误而提取噪声，并且您可以专注于调整算法或重现其他结果。
一种方法是将事件相关电位 (ERP) 发生器与您的 EEG 测量设备同步。当测试对象闭上眼睛并处于放松状态时，可以产生阿尔法（8-13赫兹）电位。另一种方法是以预定间隔闪烁黑白图案。可以很容易地找到文献，其中记录了许多此类技术和相关的 ERP。在预定时刻具有 ERP 历元的 ICA 组件比没有 ERP 的 EEG 组件更容易与其他 ICA 组件区分开来。一旦完成，将更容易隔离、研究、表征和去除非脑电图伪影。
对于预处理，我使用了 EEGLAB，这真的很有帮助，因为 EEGLAB 有用于提取独立分量的 ICA 工具，这意味着您可以检查您的信号中有多少是伪影（眼睛移动、眨眼、肌肉移动），以及真正有多少是大脑信号。