步骤 16:ICA 拟合

import mne

# ====== 准备 ICA 输入数据 ======
# 临时副本，仅用于 ICA（避免污染原数据）
raw_for_ica = raw.copy().filter(
    l_freq=1.0,   # ICA 专用高通
    h_freq=None,  # 保留之前所有低通
    picks=['eeg', 'eog', 'ecg'],  # EOG/ECG 必须参与 ICA
)

# ====== 方式 A：FastICA（默认） ======
from mne.preprocessing import ICA

ica = ICA(
    n_components=0.95,    # 自动选择保留 95% 方差的成分数
    method='fastica',
    # fit_params 默认 None：MNE 内部已对数据做 PCA 白化，FastICA 自带 whitening
    # 仅在需要微调时显式传 fit_params（如 Picard 的 ortho）
    max_iter='auto',
    random_state=42,      # 固定随机种子以复现
)
ica.fit(raw_for_ica, picks=['eeg'])  # ICA 仅对 EEG 拟合

# ====== 方式 B：Infomax（'extended' 是它的参数） ======
ica = ICA(
    n_components=0.95,
    method='infomax',
    fit_params=dict(extended=True),  # extended 仅 infomax 合法
    random_state=42,
)
ica.fit(raw_for_ica)

# ====== 方式 C：Picard（最快，推荐新项目） ======
ica = ICA(
    n_components=0.95,
    method='picard',
    fit_params=dict(ortho=False, whiten='unit-variance'),
    random_state=42,
)
ica.fit(raw_for_ica)

# ====== 验证 ======
print(f"拟合的成分数: {ica.n_components_}")
print(f"解释方差: {ica.pca_explained_variance_}")

# 验证 1：拟合成功
print(f"成分数: {ica.n_components_}")
assert ica.n_components_ > 0

# 验证 2：可视化所有成分
ica.plot_components()
# 期望：能看到脑电成分、眼电成分（额部明显）、肌电成分等

# 验证 3：可视化成分时间序列
ica.plot_sources(raw_for_ica, start=0, stop=30)
# 期望：能看到眨眼、肢体运动等

# 验证 4：方差解释率
print(f"前 10 成分累积解释方差: {ica.pca_explained_variance_[:10].sum()*100:.1f}%")
# 期望：≥ 80%

# 验证 5：保存 ICA
ica.save('subject-01_ica.fif')