タグ付けされた質問 「eeg」

信号の混合物をM構成成分に分離するためのICAの一般的な実装では、信号がソースの線形瞬間混合物であると想定される必要があります。私が遭遇したICAのすべての記述は、すべてのN個の信号混合物にすべてのM個のソースがある程度存在しているという事実を当然と考えているようです。 NNNMMMMMMNNN 私の質問は、源がすべてではなく一部の信号混合にのみ存在する場合はどうなりますか？ MMM このシナリオは、ICAがこれらの信号を分離できるようにするために必要な基本的な前提に違反していますか？（議論のために、過剰または完全なシステム（またはN = M）を扱っており、M個のソース信号のそれぞれが実際には互いに統計的に独立していると仮定します）。N>MN>MN>MN=MN=MN=MMMM この状況が発生するICAの使用を検討している実装は、次のとおりです。それぞれ異なる数のチャネルを持つ4つの異なるタイプのセンサーからのデータがあります。具体的には、24チャネルのEEGデータ、3チャネルの眼電図（EOG）データ、4チャネルのEMGデータ、1チャネルのECGデータがあります。すべてのデータが同時に記録されます。 EEGデータ内のECG、EMG、およびEOG信号の寄与を特定して、それらを削除できるようにします。期待は、EMG + ECG + EOG信号がEEGセンサーによってピックアップされることですが、その逆はありません。また、EOGとEMGはおそらく互いに汚染し、ECGで汚染されますが、ECGはおそらく他のすべての信号からかなり分離されます。また、ミキシングが発生する場所では、線形で瞬間的であると想定しています。 私の直感では、ICAは仮説的に、非常に小さい（0に近い）係数のミキシングフィルターを返し、混合信号へのソースの寄与がないことを説明できるほどスマートである必要があります。しかし、ICAが信号を分離する方法についての何かが、すべてのソースがすべての混合物に存在するという期待を本質的に強制するのではないかと心配しています。私が使用している実装はFastICAです。これは、投影追跡ベースのアプローチです。

16 ica  eeg  separability 

私は（主に）fMRIとEEGデータの分析について研究しています。ノイズを減らすために平均化を使用できると何度も言及されていますが、それ以上の詳細はありません。 これまたはその手法を使用して平均化できることを文字どおりに述べたことはありません。では、正確には平均化とは何でしょうか？それを達成するためにどのようなテクニックを使用できますか？

7 noise  signal-detection  eeg  averaging 

非常によく似た2つのEEG信号があります。違いは振幅のみです。しかし、それらは2つの異なる認知プロセスから来ています。統計情報に関して2つの非常に類似した信号を区別するために、FFT以外にいくつかの方法は何ですか？私にお知らせください。ありがとうございました BSS。

7 classification  eeg