<div dir="ltr">Dear Duncan,<div><br></div><div>Your question is legitimate, Duncan. Actually a very good point, and describing the current weakpoint of stationary ICA.</div><div><br></div><div><p class="MsoNormal"><span lang="EN-US">> I am not sure what happens with the parts of the signal that did not go into ICA – it seems like this is unaccounted for by any independent component?</span></p><p class="MsoNormal"><span lang="EN-US"><br></span></p><p class="MsoNormal"><span lang="EN-US">I assume that you cut out the noisy part (data rejection), run ICA, and apply the ICA weight to the unrejected data. If so, yes you are right, the noise is not accounted by any ICs. The result is that you see the artifact spread to all ICs.</span></p><p class="MsoNormal"><span lang="EN-US"><br></span></p><p class="MsoNormal">> Would this mean that if I decided to subtract all IC’s from the data to which the weight and sphering matrixes were transferred, there would be a remaining signal consisting of all the activity that lacked in the passive conditions?<br></p><p class="MsoNormal"><span lang="EN-US"><br></span></p><p class="MsoNormal"><span lang="EN-US">Right, if I understand the situation you explained.</span></p><p class="MsoNormal"><span lang="EN-US"><br></span></p><p class="MsoNormal"><span lang="EN-US">> I am assuming this also means that for example, any neck muscle activity particular to the active conditions cannot be subtracted from the signal in that data, for the donor data set did not contain this.<u></u><u></u></span></p><p class="MsoNormal"><span lang="EN-US"><br></span></p><p class="MsoNormal"><span lang="EN-US">Right, again if my understanding is correct.</span></p><p class="MsoNormal">Strictly speaking, therefore, when you copy ICA weight matrix you should know that the data that were not provided to ICA will not be decomposed (particularly if the portion of data are associated with different types of cognitive/physical/artifact states than those during ICA-learned datapoints).</p><p class="MsoNormal"><span lang="EN-US"><br></span></p><p class="MsoNormal"><span lang="EN-US">> And does this change if there was some minor neck muscle EMG signal present in the donor set, compared to major activity in the receiving one?</span></p><p class="MsoNormal"><span lang="EN-US"><br></span></p><p class="MsoNormal"><span lang="EN-US">As long as they come from the same source with the same volume conductance and (scalp) mixing, it works and amplitude does not matter. I'm not sure if muscles are that linear though.</span></p><p class="MsoNormal"><span lang="EN-US"><br></span></p><p class="MsoNormal"><span lang="EN-US">> I guess this must at least help doing a better source localization of such EMG signals, although that procedure in itself may be better left for another discussion.</span></p></div><div class="gmail_extra"><br></div><div class="gmail_extra">EMG are difficult for ICA because its source moves and spreads. This is different issue though.</div><div class="gmail_extra"><br></div><div class="gmail_extra">When you run amica (a plugin for EEGLAB, does better job than infomax), the result comes with log likelihood values with which you can evaluate how good the decomposition is for every datapoint. This is important to evaluate stationarity of data. Because standard infomax in EEGLAB or single-model AMICA generates one unmixing matrix, this is only valid when your data have only one (stationary) state. If you have task-rest-task-rest data, you may want to run separate ICA on task part and rest part separately, or perform two-(or more) model AMICA to hope to let them capture different states of data.</div><div class="gmail_extra"><br></div><div class="gmail_extra">Sorry for writing quick and non-native English limitation.</div><div class="gmail_extra"><br></div><div class="gmail_extra">Makoto</div><div class="gmail_extra"><br></div><div class="gmail_extra"><br></div><div class="gmail_extra"><br><div class="gmail_quote">On Thu, Oct 20, 2016 at 8:59 AM,  <span dir="ltr"><<a href="mailto:duncan.huizinga@gmail.com" target="_blank">duncan.huizinga@gmail.com</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"><div lang="NL"><div class="gmail-m_5863014412312270991WordSection1"><p class="MsoNormal"><span lang="EN-US"><u></u> <u></u></span></p><p class="MsoNormal"><span lang="EN-US">Hi all,<u></u><u></u></span></p><p class="MsoNormal"><span lang="EN-US"><u></u> <u></u></span></p><p class="MsoNormal"><span lang="EN-US">I have been discovering about the wonders of EEG research and all the impressive possibilities with EEGLab, but face one challenging question I have not been able to answer so far, which likely in part because I am still not completely certain about the precise nature of the ICA algorithm. (This might also mean the title question is somewhat non-sensical; In that case please forgive my ignorance.) Let’s assume I do understand, and please correct me whenever my reasoning is wrong:<u></u><u></u></span></p><p class="MsoNormal"><span lang="EN-US"><u></u> <u></u></span></p><p class="MsoNormal"><span lang="EN-US">I recorded EEG data (64 channel) from a number of subjects in various bodily states, including sitting, standing, (fast) walking and cycling. The active conditions obviously add a considerable amount of noise to the data, in the form of excessive EMG, cable sway, sensor displacement and slow drifts as a result of sweat. I am not directly looking into any locomotion related brain activity, merely its effects on other cognitive processes. <u></u><u></u></span></p><p class="MsoNormal"><span lang="EN-US">In order to be able to do succesful source separation and localization, I figured that one could run ICA on the recordings from the passive conditions – assuming that the neural sources of the signals that are of interest to us remain stable – and then use the resulting weight and sphering matrixes for the active conditions as well (in a similar fashion as I have seen it suggested with high pass filtered data in Makoto’s preproc. pipeline). <u></u><u></u></span></p><p class="MsoNormal"><span lang="EN-US"><u></u> <u></u></span></p><p class="MsoNormal"><span lang="EN-US">This is where I get lost, because I am not sure what happens with the parts of the signal that did not go into ICA – it seems like this is unaccounted for by any independent component? Would this mean that if I decided to subtract all IC’s from the data to which the weight and sphering matrixes were transferred, there would be a remaining signal consisting of all the activity that lacked in the passive conditions?<u></u><u></u></span></p><p class="MsoNormal"><span lang="EN-US">I am assuming this also means that for example, any neck muscle activity particular to the active conditions cannot be subtracted from the signal in that data, for the donor data set did not contain this. <u></u><u></u></span></p><p class="MsoNormal"><span lang="EN-US">And does this change if there was some minor neck muscle EMG signal present in the donor set, compared to major activity in the receiving one? I guess this must at least help doing a better source localization of such EMG signals, although that procedure in itself may be better left for another discussion.<u></u><u></u></span></p><p class="MsoNormal"><span lang="EN-US"><u></u> <u></u></span></p><p class="MsoNormal"><span lang="EN-US">Thanks a lot in advance!<u></u><u></u></span></p><p class="MsoNormal"><span lang="EN-US"><u></u> <u></u></span></p><p class="MsoNormal"><span lang="EN-US">Regards,<u></u><u></u></span></p><p class="MsoNormal"><span lang="EN-US">Duncan Huizinga<u></u><u></u></span></p><p class="MsoNormal"><span lang="EN-US"><u></u> <u></u></span></p><p class="MsoNormal"><span lang="EN-US"><u></u> <u></u></span></p><p class="MsoNormal"><span lang="EN-US"><u></u> <u></u></span></p><p class="MsoNormal"><span lang="EN-US"><u></u> <u></u></span></p><p class="MsoNormal"><span lang="EN-US">On a side note: Some of you may have noticed browsing through the EEGLablist online archives can be a bit of a mess, as some text refuses to reflow. I made <a href="https://userstyles.org/styles/133970/eeglablist-simple-clean-reflowed" target="_blank">a very basic Stylish-script</a> (useful addon for <a href="https://addons.mozilla.org/en-US/firefox/addon/stylish/" target="_blank">Firefox</a> and <a href="https://chrome.google.com/webstore/detail/stylish/fjnbnpbmkenffdnngjfgmeleoegfcffe?hl=nl" target="_blank">Chrome</a>) which should solve that issue, and it changes the font into something nice (which is easily changed into your own preferences by the way; just look into the code).<u></u><u></u></span></p></div></div><br>______________________________<wbr>_________________<br>
Eeglablist page: <a href="http://sccn.ucsd.edu/eeglab/eeglabmail.html" rel="noreferrer" target="_blank">http://sccn.ucsd.edu/eeglab/<wbr>eeglabmail.html</a><br>
To unsubscribe, send an empty email to <a href="mailto:eeglablist-unsubscribe@sccn.ucsd.edu">eeglablist-unsubscribe@sccn.<wbr>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.<wbr>edu</a><br></blockquote></div><br><br clear="all"><div><br></div>-- <br><div class="gmail_signature"><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></div>