<div dir="ltr"><div class="gmail_quote"><div dir="ltr">Hi guys,<div>I am very new with eeg data analysis and it would be great to have some support from you!</div><div><br></div><div><div><span style="color:rgb(0,0,0);font-family:sans-serif;line-height:19.05px"><span style="font-size:12.7px">I found the quotation below from this tutorial: </span></span></div><div><font color="#000000" face="sans-serif"><span style="font-size:12.7px;line-height:19.05px"><a href="http://sccn.ucsd.edu/wiki/Chapter_09:_Decomposing_Data_Using_ICA" target="_blank">http://sccn.ucsd.edu/wiki/Chapter_09:_Decomposing_Data_Using_ICA</a></span></font></div></div><div><br></div><div><i><font size="1"><span style="color:rgb(0,0,0);font-family:sans-serif;line-height:19.05px">"<b>Very important note:</b></span><b><span style="color:rgb(0,0,0);font-family:sans-serif;line-height:19.05px"> We usually run ICA using many more trials that the sample decomposition presented here. As a general rule, finding </span><span style="color:rgb(0,0,0);font-family:sans-serif;line-height:19.05px">N</span><span style="color:rgb(0,0,0);font-family:sans-serif;line-height:19.05px">stable components (from N-channel data) typically requires </span><span style="color:rgb(0,0,0);font-family:sans-serif;line-height:19.05px">more than</span><span style="color:rgb(0,0,0);font-family:sans-serif;line-height:19.05px"> </span><span style="color:rgb(0,0,0);font-family:sans-serif;line-height:19.05px">kN^2</span><span style="color:rgb(0,0,0);font-family:sans-serif;line-height:19.05px"> data sample points (at each channel), where N^2 is the number of weights in the unmixing matrix that ICA is trying to learn and </span><span style="color:rgb(0,0,0);font-family:sans-serif;line-height:19.05px">k</span><span style="color:rgb(0,0,0);font-family:sans-serif;line-height:19.05px"> is a multiplier. In our experience, the value of </span><span style="color:rgb(0,0,0);font-family:sans-serif;line-height:19.05px">k</span><span style="color:rgb(0,0,0);font-family:sans-serif;line-height:19.05px"> increases as the number of channels increases. In our example using 32 channels, we have 30800 data points, giving 30800/32^2 = 30 pts/weight points. However, to find 256 components, it appears that even 30 points per weight is not enough data. In general, it is important to give ICA as much data as possible for successful training. Can you use too much data? This would only occur when data from radically different EEG states, from different electrode placements, or containing non-stereotypic noise were concatenated, increasing the number of scalp maps associated with independent time courses and forcing ICA to mixture together dissimilar activations into the N output components. The bottom line is: ICA works best when given a large amount of basically similar and mostly clean data. When the number of channels (N) is large (>>32) then a very large amount of data may be required to find N components. When insufficient data are available, then using the 'pca' option to </span><a rel="nofollow" href="http://sccn.ucsd.edu/eeglab/locatefile.php?file=jader.m" style="text-decoration:none;color:rgb(51,102,187);padding-right:13px;font-family:sans-serif;line-height:19.05px" target="_blank">jader.m</a></b></font></i><span style="color:rgb(0,0,0);font-family:sans-serif;line-height:19.05px"><i><font size="1"><b> to find fewer than N components may be the only good option.</b></font></i><span style="font-size:12.7px">"</span></span></div><div><br></div><div>I don't know if each of my datasets has enough datapoints for performing an ICA. Each dataset has 20 channels, last 2 minutes and is 4 seconds epoched, baseline corrected and pass band filtered. I also reject bad epochs. </div><div><br></div><div>Which is the meaning of "trials" in the quotation above? Would be better to have longer registrations? </div><div>When I run ICA I got 20 components. Why are there some examples with 256 components?</div><div><br></div><div>Dorian</div><span class="HOEnZb"><font color="#888888"><div><br></div><div>Dorian </div></font></span></div>
</div><br></div>