<span class="Apple-style-span" style>Baris -<div><br>Strictly speaking, sensor data do not themselves have phase information ... since nothing (of interest) originates from the sensors themselves. The phase information summed in sensor signals (by volume conduction) is (nearly) all summed source signal information. To the extent ICA is successful, it will minimize the influence of any source waveform on any other.</div>
<div><br></div><div><div>Applying ICA optimally is not guaranteed, of course. The two most important factors are a) the quality of the ICA algorithm, and b) the amount (and quality) of the decomposition data.   I suggest you use either Extended Infomax ICA or (still better) Amica, and that you look at some of our papers and tutorial to understand better how much data is required for the number of channels you are decomposing.</div>
</div><div><br></div><div>Jason Palmer (author of Amica) is working with mutual information functions to better characterize IC subspaces that retain significant residual mutual information. This may represent spatial dependency, co-modulation, or appearance of transient dependencies....</div>
<div><br></div><div>I suggest you study and test the SIFT toolbox of Tim Mullen (for Source Information Flow Toolbox). It uses ICA to go to the source level and then models event-related source network dependencies (by any of a palette of measures, with good graphics!)... Regression methods will remove portions of all (e.g., frontal) sources that also project to the 'EOG' channel(s). </div>
<div><br></div><div>Scott Makeig</div><div><br></div></span><br><div class="gmail_quote">2012/2/16 Baris Demiral <span dir="ltr"><<a href="mailto:demiral.007@googlemail.com">demiral.007@googlemail.com</a>></span><br>
<blockquote class="gmail_quote" style="margin:0 0 0 .8ex;border-left:1px #ccc solid;padding-left:1ex">Hi,<br>
<br>
Here are the questions:<br>
<br>
a) If we take out artifactual ICs (say, eye blinks), do the final<br>
sensor data loose their crucial phase information?<br>
b) If we apply linear regression based algorithms to exclude<br>
artifacts, will this influence the sensor level phase information?<br>
c) How do these two methods influence sensor based connectivity analysis?<br>
d) Which sensor-based connectivity measures are robust against volume<br>
conduction?<br>
<br>
I favor source- and ICA-based multivariate connectivity analyses where<br>
you really do not need to take out ICs, but work on the components of<br>
interest.<br>
But, there are plenty of papers out there reporting only pairwise<br>
sensor connectivity while ignoring the effects of volume conduction<br>
and artifact correction.<br>
<br>
Thanks,<br>
Baris<br>
--<br>
Ş. Barış Demiral, PhD.<br>
Department of Psychiatry<br>
Washington University<br>
School of Medicine<br>
660 S. Euclid Avenue<br>
Box 8134<br>
Saint Louis, MO 63110<br>
Phone: <a href="tel:%2B1%20%28314%29%20747%201603" value="+13147471603">+1 (314) 747 1603</a><br>
<br>
_______________________________________________<br>
Eeglablist page: <a href="http://sccn.ucsd.edu/eeglab/eeglabmail.html" target="_blank">http://sccn.ucsd.edu/eeglab/eeglabmail.html</a><br>
To unsubscribe, send an empty email to <a href="mailto:eeglablist-unsubscribe@sccn.ucsd.edu">eeglablist-unsubscribe@sccn.ucsd.edu</a><br>
For digest mode, send an email with the subject "set digest mime" to <a href="mailto:eeglablist-request@sccn.ucsd.edu">eeglablist-request@sccn.ucsd.edu</a><br>
</blockquote></div><br><br clear="all"><div><br></div>-- <br>Scott Makeig, Research Scientist and Director, Swartz Center for Computational Neuroscience, Institute for Neural Computation; Prof. of Neurosciences (Adj.), University of California San Diego, La Jolla CA 92093-0559, <a href="http://sccn.ucsd.edu/%7Escott" target="_blank">http://sccn.ucsd.edu/~scott</a><br>