<html>

  <head>

    <meta http-equiv="content-type" content="text/html; charset=utf-8">

  </head>

  <body bgcolor="#FFFFFF" text="#000000">

    Dear EEGLAB mailing list subscribers,<br>

    <br>

    I would like to ask for your help on a project that will likely be

    of use to you in your research or any other endeavor involving ICA

    decomposition of EEG data. I am an Electrical Engineering Ph.D.

    student at UCSD and I work at the Swartz Center for Computational

    Neuroscience, where EEGLAB is developed.<br>

    <br>

    Here at the SCCN, we have gathered a lot of ICA decomposed EEG data.

    My plan is to use it to create a multi-class EEG independent

    component (IC) classifier, one you can run and trust the results as

    much as if a domain expert had personally labeled them for you. The

    secret to making such a classifier accurate is in the data used to

    train it. Including results from many different experiments,

    electrode montages, subjects, and EEG devices — as well as tentative

    classifications by many judges — should allow a level of

    generalization that makes the resulting classifier usable on any

    dataset. A lot of people I’ve spoken with are excited by this

    prospect, as I hope you are too.<br>

    <br>

    If you are interested in participating in this project, please

    browse <a href="reaching.ucsd.edu:8000/tutorial">this website</a> (

    <a class="moz-txt-link-freetext" href="http://reaching.ucsd.edu:8000">http://reaching.ucsd.edu:8000</a> ) and suggest classifications for as

    many ICs as you have time for. Each IC is represented by a figure

    showing several measures (scalp map, equivalent dipole location,

    mean spectrum, erpimage, etc.). There is a tutorial on the site that

    will tell you more about the project and how to use it — and also a

    guide to discriminating several types of EEG IC processes. <br>

    <br>

    If you have comments, questions, or suggestions, please give me

    feedback through the website or at this email address. We will make

    use of all data entries, regardless of how many get labeled — and

    each IC you label will make the classifier more useful.<br>

    <br>

    Thank you,<br>

    Luca Pion-Tonachini

  </body>

</html>