一、不要从“删除”开始
看到明显波动时,第一步应是描述它:主要出现在哪些通道、是否与眨眼或动作同步、频谱集中在哪个范围、在不同试次中是否重复。只有先形成来源假设,处理方法才有依据。
例如,眨眼常在额区更突出,并表现为较慢、幅度较大的瞬变;持续咬牙或面部紧张可能产生更宽频的高频活动。但这些只是判断线索,不能脱离具体记录条件机械套用。
二、把多种证据放在一起
判断一个独立成分时,可以同时检查头皮分布、成分时间序列、功率谱以及它与眼电或行为事件的关系。单凭一张拓扑图很容易把神经源成分和伪迹混淆。
自动分类结果适合用于初筛和提高一致性,但仍需要明确阈值、人工复核规则与不确定成分的处理方式。对边界成分,保留往往比激进删除更稳妥。
- 记录每个删除成分的理由
- 保留处理前后的质量指标
- 在盲于实验条件时完成伪迹判断
三、处理后还要再检查
移除成分后,应重新查看连续数据、代表性试次和目标指标。处理过度可能削弱真实的额区活动,处理不足则会让条件间的眼动差异被误认为脑活动差异。
最终报告不应只写“使用 ICA 去伪迹”,还应说明分解数据、成分数、识别依据、移除数量以及是否结合其他拒绝标准。
核心结论
ICA 是分离工具,不是自动清洁工具。伪迹处理应基于多证据判断,并在处理后重新验证目标信号。
本文与配图为原创内容,不使用真实参与者数据,不构成医疗诊断、治疗建议或个体化健康意见。