<div dir="ltr"><div class="gmail_default" style="color:#333399">Addendum below, cheers!</div><div class="gmail_default" style="color:#333399"><br></div><div class="gmail_default" style="color:#333399">If the trials over your 2 minute recording periods are the same kind of trials, then you can join them to get a representative ICA decomposition. I think researchers tend to take all &quot;similar cognitive periods or tasks&quot; and put them together for ICA. When and if you get good components out, you&#39;ll then be able to re-apply to the continuous data, segment the different trials, and then check out component dynamics between conditions.</div><div class="gmail_default" style="color:#333399"><br></div><div class="gmail_default" style="color:#333399">You should find at least an eye-artifact IC in decompositions of brief periods (like just 5 minutes total given to ICA), that have been cleaned properly, but where eye blinks and eye artifacts occur multiple times in the data and are retained in the data. If you&#39;re using ICA strictly for cleaning out eye-artifacts, then your approach will likely yield one or two known artifactual ICs that you can remove with some confidence. It&#39;s best to run the analysis by cleaning in a traditional way and an ICA way, and comparing them for yourself. </div><div class="gmail_default" style="color:#333399"><br></div><div class="gmail_default" style="color:#333399">See also several articles over last 5 years summarizing various EEG cleaning approaches, including specific foci on eye-artifact and muscle-artifact detection. See also recent tools like the PREP and TAPEEG pipeline toolboxes for eeglab and matlab, respectively.</div><div class="gmail_default" style="color:#333399"><br></div><div class="gmail_default" style="color:#333399">At 20 channels you are at the lowest (or below) the limit of channels usually used for ICA-EEG approaches. You may want to consider a traditional non-ICA based approach. I think several past posts on eeglab list have talked about the appropriateness of ICA for sparse EEG.</div><div class="gmail_default" style="color:#333399"><br></div><div class="gmail_default" style="color:#333399">20 channels with a lot of time should work to give you interpetable artifactual and &quot;true/cortical/cognitive&quot; ICs. you may even want to downsample in time. Though we&#39;re pro-ICA, you should take a look at microstate decompositions which I think have been done a lot more with &lt;32 channel data sets, and &quot;produce&quot; scalp maps that are similar to some of the main alphabet of ICs found with ICA.</div><div class="gmail_default" style="color:#333399"><br></div><div class="gmail_default" style="color:#333399">You should also see what you get, and definitely play with tools like SASICA or others. Note that there are at least ~5 to dozen ICs that show up regularly in most datasets, across most studies that use ICA. see the onton/makeig chapter, or other work, for those exemplars.</div><div class="gmail_default" style="color:#333399"><br></div><div class="gmail_default" style="color:#333399">You may want search &quot;cleaning approaches for sparse EEG&quot; on google scholar. Techniques from ~1950 to 2000 dealt primarily with sparse EEG, and there are plenty of matlab implementations (e.g., Gratton&#39;s regression based approach).</div><div class="gmail_default" style="color:#333399"><br></div><div class="gmail_default" style="color:#333399"><br></div><div class="gmail_default" style="color:#333399"><br></div><div class="gmail_default" style="color:#333399"><br></div><div class="gmail_default" style="color:#333399"><br></div></div><div class="gmail_extra"><br><div class="gmail_quote">On Tue, Oct 27, 2015 at 5:18 PM, Dorian Grelli <span dir="ltr">&lt;<a href="mailto:dorian.grelli@gmail.com" target="_blank">dorian.grelli@gmail.com</a>&gt;</span> wrote:<br><blockquote class="gmail_quote" style="margin:0 0 0 .8ex;border-left:1px #ccc solid;padding-left:1ex"><p dir="ltr">Thank you again Stephan and thank you Tarik. Just for being sure...&quot;124&quot; is the seconds of my dataset? Maybe you meant 120 Stephan.</p>
<p dir="ltr">My epochs are 4 seconds long and my datasets are parts of a single session where we perform 2&#39; minutes recording every 10&#39; minutes no-recording so, at the end, we got 6 datasets per each subject. Would be ok to join the 6 datasets in a single file in order to get a more reliable ICA? In this case, after removing artifactual components, I will have to split again the data because we are interested in time course and we want to analyse each recording phase.<br>
I sent my first email because I really want to understand if it makes sense or not running something like SASICA for removing artifacts. In order to do that ICA has to be reliable. <br>
Subjects were forced to keep eyes closed during the recording phases and, maybe, I don&#39;t have too many artifacts. Maybe. I already reject bad epochs which passed a treshold or the amplitude.<br>
The problem is that I am self thought in this field (like many of you I suppose) so I am quite ok in some aspects and very bad in other things (like trails = epochs). However thank you for the suggestions Tarik!</p>
<div class="gmail_quote">Il 27/Ott/2015 18:13, &quot;Stephen Politzer-Ahles&quot; &lt;<a href="mailto:stephen.politzer-ahles@ling-phil.ox.ac.uk" target="_blank">stephen.politzer-ahles@ling-phil.ox.ac.uk</a>&gt; ha scritto:<br type="attribution"><blockquote class="gmail_quote" style="margin:0 0 0 .8ex;border-left:1px #ccc solid;padding-left:1ex"><div dir="ltr">In that case it sounds like this is probably ok. Using the formula listed above, you have (124*500)/(20^2) = 155 points per weight, which is much more than the sample dataset. Also now that I think of it, 2 minutes of epoched data is still a decent amount (that&#39;s e.g. 120 one-second epochs, I&#39;ve done ICA on comparable sizes of data before).<br></div><div class="gmail_extra"><br clear="all"><div><div><div dir="ltr"><div><div dir="ltr"><span><div><br><br>---<br></div>Stephen Politzer-Ahles<br>University of Oxford<br>Language and Brain Lab, Faculty of Linguistics, Phonetics &amp; Philology<br><a href="http://users.ox.ac.uk/~cpgl0080/" target="_blank">http://users.ox.ac.uk/~cpgl0080/</a></span></div></div></div></div></div>
<br><div class="gmail_quote">On Tue, Oct 27, 2015 at 4:56 PM, Dorian Grelli <span dir="ltr">&lt;<a href="mailto:dorian.grelli@gmail.com" target="_blank">dorian.grelli@gmail.com</a>&gt;</span> wrote:<br><blockquote class="gmail_quote" style="margin:0 0 0 .8ex;border-left:1px #ccc solid;padding-left:1ex"><p dir="ltr">Thank you Stephan for claryfing many points. My sampling rate is 500 hz.<br>
</p><div><div>
<div class="gmail_quote">Il 27/Ott/2015 17:53, &quot;Stephen Politzer-Ahles&quot; &lt;<a href="mailto:stephen.politzer-ahles@ling-phil.ox.ac.uk" target="_blank">stephen.politzer-ahles@ling-phil.ox.ac.uk</a>&gt; ha scritto:<br type="attribution"><blockquote class="gmail_quote" style="margin:0 0 0 .8ex;border-left:1px #ccc solid;padding-left:1ex"><div dir="ltr"><div><div><div>Hello Dorian,<br><br></div>Regarding your last question, you get as many independent components as you have channels; you had 20 channels, which is why you got 20 components. Examples with 256 components would have come from 256-channel caps.<br><br></div>As for just how much data is enough, other people on the list can probably answer that better than me. 2 minutes does sounds very short. But this also depends on your sampling rate (as mentioned in the paragraph you quoted); 2 minutes of 1000 Hz data (i.e., sampled every millisecond) is a lot more than 2 minutes of 250 Hz data (i.e., sampled once every four milliseconds).<br><br></div>Also, a trial is the same thing as an epoch.<br></div><div class="gmail_extra"><br clear="all"><div><div><div dir="ltr"><div><div dir="ltr"><span><div><br><br>---<br></div>Stephen Politzer-Ahles<br>University of Oxford<br>Language and Brain Lab, Faculty of Linguistics, Phonetics &amp; Philology<br><a href="http://users.ox.ac.uk/~cpgl0080/" target="_blank">http://users.ox.ac.uk/~cpgl0080/</a></span></div></div></div></div></div>
<br><div class="gmail_quote"><div><div class="h5">On Tue, Oct 27, 2015 at 11:02 AM, Dorian Grelli <span dir="ltr">&lt;<a href="mailto:dorian.grelli@gmail.com" target="_blank">dorian.grelli@gmail.com</a>&gt;</span> wrote:<br></div></div><blockquote class="gmail_quote" style="margin:0 0 0 .8ex;border-left:1px #ccc solid;padding-left:1ex"><div><div class="h5"><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 face="sans-serif" color="#000000"><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">&quot;<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 (&gt;&gt;32) then a very large amount of data may be required to find N components. When insufficient data are available, then using the &#39;pca&#39; 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">&quot;</span></span></div><div><br></div><div>I don&#39;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 &quot;trials&quot; 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><font color="#888888"><span><font color="#888888"><div><br></div><div>Dorian </div></font></span></font></span></div>
</div><br></div>
<br></div></div><span class="">_______________________________________________<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 &quot;set digest mime&quot; to <a href="mailto:eeglablist-request@sccn.ucsd.edu" target="_blank">eeglablist-request@sccn.ucsd.edu</a><br></span></blockquote></div><br></div>
</blockquote></div>
</div></div></blockquote></div><br></div>
</blockquote></div>
</blockquote></div><br></div>