<div dir="ltr"><div>Dear Kelly,</div><div><br></div><div>other than the mentioned -1 for avRef your pipeline is fine as far as I know. You could try 1.5Hz highpass filtering just to see if it produces better results, but be careful with too much filtering. I normally also only filter with 100Hz lowpass. <br></div><div><br></div><div>The decomposition is also highly dependent on the data quality of course. Could you provide representative screenshots of the channel data that you will feed into AMICA? Also how long are your datasets? The rule of thumb is to have at least EEG.nchans^2*30 samples, so in your case that means 491520 samples, which is 33 minutes.</div><div><br></div><div>Last but not least: In case you are using mobile subjects with significant artifacts, this decomposition isn't actually so bad. We have subjects like that as well (Gramann MoBI Lab), if the data quality was particularly bad to begin with.</div><div><br></div><div>Best of luck with your research!</div><div>Marius<br></div></div><br><div class="gmail_quote"><div dir="ltr">Am Di., 16. Okt. 2018 um 17:39 Uhr schrieb Arnaud Delorme <<a href="mailto:arno@ucsd.edu">arno@ucsd.edu</a>>:<br></div><blockquote class="gmail_quote" style="margin:0 0 0 .8ex;border-left:1px #ccc solid;padding-left:1ex">Dear Kelly,<br>
<br>
You should remove 128-#chans interpolated-1 (because you used average reference after iinterpolating) when running AMICA.<br>
How do the other ICA algorithms fare? Can you simply remove the channels — instead of interpolating them — and tell us about your components as well.<br>
<br>
Best wishes,<br>
<br>
Arno<br>
<br>
> On Oct 16, 2018, at 7:07 AM, Kelly Michaelis <<a href="mailto:kcmichaelis@gmail.com" target="_blank">kcmichaelis@gmail.com</a>> wrote:<br>
> <br>
> Hi everyone,<br>
> <br>
> I'm wondering if anyone can help shed some light on why I'm getting such poor ICA decomposition and what to do about it. I've tried a number of pipelines and methods, and each one is about this bad (The link below has pictures of the scalp maps from two files below). I'm using a 128 channel EGI system. Here is my pipeline:<br>
> <br>
> 1. Import, low pass filter at 40Hz, resample to 250Hz, high pass filter at 1Hz<br>
> 2. Remove bad channels and interpolate, then re-reference to average ref<br>
> 3. Epoch to 1s epochs, remove bad epochs using joint probability<br>
> 4. run AMICA using PCA keep to reduce components to 128-#chans interpolated<br>
> 5. Load raw data, filter same as above, resample, remove bad chans, interpolate, re-reference<br>
> 6. Apply ICA weights to continuous, pre-processed data<br>
> 7. Do component rejection<br>
> <br>
> What am I missing? Does anyone see any glaring errors here? My data are a bit on the noisy side, and while I do capture things like blinks and cardiac artifacts pretty clearly, I get the artifacts loading on a lot of components, and I'm not getting many clear brain components. I got one suggestion to reduce the number of components down to something like 64, but this article by Fiorenzo, Delorme, Makeig recommends against that. <br>
> <br>
> Any ideas?<br>
> <br>
> Thanks,<br>
> Kelly<br>
> <br>
> Scalp maps:<br>
> <a href="https://georgetown.box.com/s/1dv1n5fhv1uqgn1qc59lmssnh1387sud" rel="noreferrer" target="_blank">https://georgetown.box.com/s/1dv1n5fhv1uqgn1qc59lmssnh1387sud</a><br>
> <br>
> On Thu, Oct 11, 2018 at 11:10 AM Kelly Michaelis <<a href="mailto:kcmichaelis@gmail.com" target="_blank">kcmichaelis@gmail.com</a>> wrote:<br>
> Hi everyone,<br>
> <br>
> I'm wondering if anyone can help shed some light on why I'm getting such poor ICA decomposition and what to do about it. I've tried a number of pipelines and methods, and each one is about this bad (I've attached pictures of the scalp maps from two files below). I'm using a 128 channel EGI system. Here is my pipeline:<br>
> <br>
> 1. Import, low pass filter at 40Hz, resample to 250Hz, high pass filter at 1Hz<br>
> 2. Remove bad channels and interpolate, then re-reference to average ref<br>
> 3. Epoch to 1s epochs, remove bad epochs using joint probability<br>
> 4. run AMICA using PCA keep to reduce components to 128-#chans interpolated<br>
> 5. Load raw data, filter same as above, resample, remove bad chans, interpolate, re-reference<br>
> 6. Apply ICA weights to continuous, pre-processed data<br>
> 7. Do component rejection<br>
> <br>
> What am I missing? Does anyone see any glaring errors here? My data are a bit on the noisy side, and while I do capture things like blinks and cardiac artifacts pretty clearly, I get the artifacts loading on a lot of components, and I'm not getting many clear brain components. I got one suggestion to reduce the number of components down to something like 64, but this article by Fiorenzo, Delorme, Makeig recommends against that. <br>
> <br>
> Any ideas?<br>
> <br>
> Thanks,<br>
> Kelly<br>
> <br>
> <br>
> _______________________________________________<br>
> Eeglablist page: <a href="http://sccn.ucsd.edu/eeglab/eeglabmail.html" rel="noreferrer" 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" target="_blank">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" target="_blank">eeglablist-request@sccn.ucsd.edu</a><br>
<br>
_______________________________________________<br>
Eeglablist page: <a href="http://sccn.ucsd.edu/eeglab/eeglabmail.html" rel="noreferrer" 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" target="_blank">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" target="_blank">eeglablist-request@sccn.ucsd.edu</a></blockquote></div><br clear="all"><br>-- <br><div dir="ltr" class="gmail_signature" data-smartmail="gmail_signature"><div dir="ltr"><div><div dir="ltr"><div><div dir="ltr"><div><div dir="ltr">Marius Klug<div>Research Associate / PhD Student at TU Berlin, Germany<br></div><div>Department of Biological Psychology and Neuroergonomics <br></div><div>+49 (0)30 314-79 514</div><div><a href="http://bemobil.bpn.tu-berlin.de" target="_blank">bemobil.bpn.tu-berlin.de</a><br></div></div></div></div></div></div></div></div></div>