独立成分分析（ICA）降噪应用中的问题是怎样的？

关注“心仪脑”获取更多关于脑科学知识的分享

对于经常处理脑电信号的研究者而言，降噪过程是不可或缺的重要步骤。诸如眼动、眨眼、肌肉活动以及脉搏等干扰因素，会对脑电信号造成严重污染，从而影响后续的分析效果。2001年提出的FastICA算法使得ICA方法能够更加稳定地处理数据。独立成分分析（Independent Component Analysis, ICA）自发展以来，在脑电降噪领域得到了广泛应用，利用ICA去除眼电和心电等噪声已成为一种成熟的技术手段。然而，在实际应用ICA算法时仍面临诸多挑战，例如如何确定独立源的数量、如何识别哪些成分属于噪声、如何区分哪些成分属于脑电信号等问题。本文旨在探讨ICA方法中存在的问题，并引出解决部分问题的另一类算法，即联合盲源信号分离方法。本文不会详细阐述联合盲源信号分离技术，而是提供一种思路。以下将针对上述三个问题展开讨论。

01 如何确定独立源个数？

这或许是使用ICA过程中首先遇到的问题之一。因为ICA需要多个观测信号才能进行盲源分离，对于少数电极（通常不超过8个）采集的脑电信号来说，在进行降噪时可能会误将有用的脑电信号一并去除