<div dir="ltr">Dear Rachel,<div><br></div><div>> My problem is that the clusters which are most interesting (i.e., they look like relevant ERPs and contain the most ICs) contain lots of ICs from some participants and none from others. I assume this must be the case in any study with a between subjects factor.<br>

</div><div><br></div><div>This can happen in all within-subject conditions as well. To address the problem of too many/too few subject per cluster, Nima Begdely-Shamlo developed measure projection.</div><div><a href="http://www.sciencedirect.com/science/article/pii/S1053811913000876">http://www.sciencedirect.com/science/article/pii/S1053811913000876</a><br>

</div><div><br></div><div>> A suggestion from my PhD supervisor was to find the weights for the cluster and then apply these weights to the EEG data for every participant and every condition. That way I can compare these new component activations across my conditions/subjects knowing that the same IC component is being compared.<br>

</div><div class="gmail_extra"><br></div><div class="gmail_extra">I did not understand what you do.</div><div class="gmail_extra">Would you detail it?</div><div class="gmail_extra"><br></div><div class="gmail_extra">As a general solution I would recommend that you use small number of clusters (10-15) if you want to include as many unique subjects as possible.</div>

<div class="gmail_extra"><br></div><div class="gmail_extra">Makoto<br><br><div class="gmail_quote">On Thu, Jun 26, 2014 at 4:24 AM, Cooper, Rachel <span dir="ltr"><<a href="mailto:rcoopea@essex.ac.uk" target="_blank">rcoopea@essex.ac.uk</a>></span> wrote:<br>

<blockquote class="gmail_quote" style="margin:0px 0px 0px 0.8ex;border-left-width:1px;border-left-color:rgb(204,204,204);border-left-style:solid;padding-left:1ex">Hi all,<br>
<br>
This is partly a theoretical question and partly a practical one. I have a study with 2 participant groups and 3 repeated measures factors. So far I have run ICA on my epoched data and then used cluster analysis. My problem is that the clusters which are most interesting (i.e., they look like relevant ERPs and contain the most ICs) contain lots of ICs from some participants and none from others. I assume this must be the case in any study with a between subjects factor.<br>


<br>
A suggestion from my PhD supervisor was to find the weights for the cluster and then apply these weights to the EEG data for every participant and every condition. That way I can compare these new component activations across my conditions/subjects knowing that the same IC component is being compared. Is it safe to do this theoretically?<br>


<br>
On a practical level, I have found the data used to plot the cluster scalp map in STUDY.cluster(clust).topo. However, I don't know how I would use this to apply cluster weights to the rest of my data as it is not a matrix of channels x ICs like the regular ICA weights. Is there another way to access the weights for a cluster?<br>


<br>
Any help is much appreciated and if you need more detail please let me know<br>
This is a fantastic list!<br>
<br>
Rachel<br>
<br>
Rachel Cooper<br>
PhD researcher<br>
Department of Psychology,<br>
University of Essex,<br>
Wivenhoe Park,<br>
Colchester,<br>
Essex,<br>
CO4 3SQ<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><div dir="ltr">Makoto Miyakoshi<br>Swartz Center for Computational Neuroscience<br>Institute for Neural Computation, University of California San Diego<br></div>


</div></div>