Optimierung der EEG-ICA-Zerlegung mit Datenbereinigung in stationären und mobilen Experimenten

Zusammenfassung Die Elektroenzephalographie (EEG) nutzt zunehmend mobilere experimentelle Protokolle, was zu mehr und stärkeren Artefakten in den aufgezeichneten Daten führt. Die unabhängige Komponentenanalyse (ICA) wird häufig verwendet, um diese Artefakte zu entfernen. Es ist gängige Praxis, artefaktuelle Proben vor der ICA zu entfernen, um die Zerlegung zu verbessern, beispielsweise mit automatischen Werkzeugen wie der Auswahl zur Probenablehnung des AMICA-Algorithmus. Die Auswirkungen der Bewegungsintensität und der Stärke der automatischen Probenablehnung auf die ICA-Zerlegung wurden jedoch nicht systematisch evaluiert. Wir führten AMICA-Zerlegungen auf acht Open-Access-Datensätzen mit unterschiedlichen Bewegungsintensitäten unter Verwendung unterschiedlicher Probenablehnungsbedingungen durch. Wir bewerteten die Zerlegungsqualität anhand der gegenseitigen Information der Komponenten, des Anteils an Gehirn-, Muskel- und 'anderen' Komponenten, der Restvarianz und eines beispielhaften Signal-Rausch-Verhältnisses. Innerhalb individueller Studien verringerte sich die Zerlegungsqualität signifikant bei erhöhter Bewegung, obwohl dieser Effekt in verschiedenen Studien nicht festgestellt wurde. Die Reinigungskraft verbesserte die Zerlegung signifikant, jedoch war der Effekt geringer als erwartet. Unsere Ergebnisse legen nahe, dass der AMICA-Algorithmus selbst bei begrenzter Datenbereinigung robust ist. Eine moderate Reinigung, wie 5 bis 10 Iterationen der AMICA-Probenablehnung, wird wahrscheinlich die Zerlegung der meisten Datensätze verbessern, unabhängig von der Bewegungsintensität.