<div dir="ltr">List,<div>I am creating a data pipeline to process resting state eeg with ADJUST, and I've run into a conceptual problem with bad channels.</div><div><br></div><div>Our study involved the collection of resting state data across several days. Individually these resting state files are not long enough to meet the data requirements of ICA (datapoints/channels^2 > 30 or 40). However, since the setup is identical between sessions, we are merging the datasets from each subject's 4 sessions into a large dataset, running ICA on this dataset, and then applying the ICA weights back to the 4 individual datasets. We have no reason to believe that the EEG signature of a blink would be any different between sessions, nor is the cognitive task different (resting state) so this merge seems to be a nice way to take care of the problem.</div>

<div><br></div><div>However, my issue is that if there is a bad channel in one of these 4 datasets, and I remove it, the dimensionality of the datasets is different and they can't be merged, much less used for ICA. Normally I would interpolate to get those channels back, but it's not correct to interpolate before ICA.</div>

<div><br></div><div>Currently, my solution is just to accept the loss of data. If a channel is bad in any of the 4 original datasets, I have to remove it from all 4 original datasets. Then I can merge them and run ICA on the merged file. Then I apply those ICA weights to the 4 original datasets individually and run ADJUST. However, I'm obviously throwing away a lot of data here so I would like to know if there is a better way.</div>

<div><br></div><div>Can anyone suggest an option I am not thinking of to solve this issue?</div><div><br></div><div>Thanks for your time! - Brian</div></div>