<div dir="ltr">Dear Alberto,<div><br></div><div>> can anyone explain why we would perform first an ICA and then a PCA?<br></div><div class="gmail_extra"><br></div><div class="gmail_extra">You can apply PCA as a preprocessing for ICA. We sometimes do it (you know, runica() has an option 'pca' to reduce dimensions.)</div><div class="gmail_extra"><br></div><div class="gmail_extra">> Also, before reading this paper, my intention was to perform an ICA, average the power for each component in a specific frecuency band and then average those means for the same frequency.</div><div class="gmail_extra"><br></div><div class="gmail_extra">See my new help wiki page for how to do it.</div><div class="gmail_extra"><br></div><div class="gmail_extra"><a href="https://sccn.ucsd.edu/wiki/Makoto%27s_useful_EEGLAB_code">https://sccn.ucsd.edu/wiki/Makoto%27s_useful_EEGLAB_code</a><br></div><div class="gmail_extra"><br></div><div class="gmail_extra">> I guess this accumulates a lot of error, could anyone tell me if this procedure would be valid?<br></div><div class="gmail_extra"><br></div><div class="gmail_extra">Not necessarily. It's not the errors that accumulates, but you drop information.</div><div class="gmail_extra">Dimension reduction by PCA or ICA (ICA results are also sorted by variance, so the near-last ICs are very small; removing them would not make visible differences but still reduces data ranks) means that you use less than 100% of data variance.</div><div class="gmail_extra"><br></div><div class="gmail_extra">Imagine you have 128 channel and only analyze Fz, Cz, and Pz. This is much more wasteful. Reasonable dimension reduction is indispensable for any high-dimensional data processing. </div><div class="gmail_extra"><br></div><div class="gmail_extra">> could anyone tell me if this procedure would be valid?<br></div><div class="gmail_extra"><br></div><div class="gmail_extra">It's a trade off between surveyability and amount of data--if you focus on less Independent/Principal components, you get more surveyability but loosing more information. If you use more ICs/PCs, data are hard to survey. You can't put all the info you have on a paper anyway, so selection is always necessary. You need courage to focus on data, I know! </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 class="gmail_quote">On Mon, Nov 28, 2016 at 6:57 AM, Alberto Sainz <span dir="ltr"><<a href="mailto:albertosainzc@gmail.com" target="_blank">albertosainzc@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 dir="ltr">Hello,<div><br></div><div>I have a question regarding ICA and PCA.</div><div><br></div><div>Following the paper "Power Spectrum Analysis of EEG Signals for Estimating</div><div>Visual Attention" to calculate Power Spectrum by frequencies, they perform first an ICA and then a PCA.<br><br>I understand that PCA concentrates the information in less components (in this case in just one) so its easier to work with the data (in this case to measure power by frequency bands). However, I think I miss something about the ICA. My understanding is that ICA separates the signals to make them independent. If this is the case, can anyone explain why we would perform first an ICA and then a PCA? Which would be the sense of separating the signals to concentrate them together again?<br><br>Also, before reading this paper, my intention was to perform an ICA, average the power for each component in a specific frecuency band and then average those means for the same frequency. I guess this accumulates a lot of error, could anyone tell me if this procedure would be valid?</div><div><br></div><div>thanks!</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>