Python中MNE库的EEG数据（PCA和ICA）预处理

PCA/ICA是脑电数据预处理的一个步骤，一般放在带通滤波处理之后，个人理解PCA和ICA的作用基本一致，用于去除心电和眼电的影响。不过PCA是提取主要成分，相当于降维提取特征，ICA是分离独立成分，目前PCA和白化已经是ICA的标准化的预处理步骤了（用于降低计算量）。所以说只做ICA就可以了，因为这个过程也包括PCA了。

（有关PCA和ICA的关系：https://www.zhihu.com/question/28845451）

 

MNE库中的PCA和ICA

MNE的官方给出了两个ICA的例子，以Compute ICA components on epochs为例打开看看咋用的。

看起来还比较简单，一句话就搞定了。

可是将该算法应用到自己数据集的时候遇到了一个问题，可能是由于ICA技术太成熟了，其fit函数入参只支持Raw、Epoch或者Evoked类型的。然鹅我们自己数据集很少会有电极的位置信息，会导致程序报错。

有没有函数能满足入参为纯数据的要求呢？这样我们就能分析不同的数据集了，MNE库中还真有这种用法。搜索ICA会找到一个相关的函数应用例子，在这个例子中有介绍另一种方法可以实现入参为纯数据的ICA。

本以为不会支持这种计算方式，打开后发现这里的使用方法还是比较高级的，虽然使用了sklearn库中的函数，不过好处是不用考虑数太多据格式方面的问题。

PCA的相关计算

ICA的相关计算

 

示例

https://mne.tools/stable/auto_examples/decoding/plot_decoding_unsupervised_spatial_filter.html?highlight=pca

上面链接的例子中有对应的完整源码，就不详细解释了，以BCI运动想象的公开数据集为例，尝试处理了下得到如下结果，对应的部分中间处理过程打包到了资料包中，这里采用pkl保存中间处理结果的方式，pkl中的数据是经过挑选后的，如果需要原始的数据集参考：https://blog.csdn.net/zhoudapeng01/article/details/103822321。

文章中用到的资料包：https://download.csdn.net/download/zhoudapeng01/12287679

 

代码片段：

import mne
import pickle
from mne.decoding import UnsupervisedSpatialFilter
import matplotlib.pyplot as plt
import numpy as np
from sklearn.decomposition import PCA, FastICA

# 设置log输出等级
mne.set_log_level(False)

# 加载训练数据
with open(r'F:\BaiduNetdiskDownload\BCICompetition\BCICIV_2b_gdf\Train\CueLeftRight\trainData.pkl','rb') as f:
    epochsTrain = pickle.load(f)

# 绘制原始数据的epochs均值，也就是evoked
epochsTrain.average().plot()

# 获取训练数据（纯数据非epoch格式）
trainData = epochsTrain.get_data(['EEG:Cz', 'EEG:C3', 'EEG:C4'])

# 创建PCA的计算模型
pca = UnsupervisedSpatialFilter(PCA(3), average=False)
# 进行PCA处理
pca_data = pca.fit_transform(trainData)
# 将其转换为evoked类型并绘图
ev1 = mne.EvokedArray(np.mean(pca_data, axis=0),mne.create_info(3, 250, ch_types='eeg'), tmin=-0.2)
ev1.plot(show=False, window_title='ICA', time_unit='s')
plt.show()

# 创建FastICA的计算模型
ica = UnsupervisedSpatialFilter(FastICA(3), average=False)
# 进行ICA处理
ica_data = ica.fit_transform(trainData)

# 将其转换为evoked类型并绘图
ev2 = mne.EvokedArray(np.mean(ica_data, axis=0),mne.create_info(3,250, ch_types='eeg'), tmin=-0.2)
ev2.plot(show=False, window_title='ICA', time_unit='s')
plt.show()

 

从下图中可以看出PCA和ICA还是有很大差别的，很明显PCA后的各成分的幅值是由大到小的，有一种主次关系在里面。而ICA后的数据相对来说各成分的主次关系并不明显，体现的是独立成分的关系。

其中3个channel的数据

PCA的结果

ICA的结果