步骤 17:剔眼电成分

import mne

# ====== 方式 A：自动识别（推荐新手） ======
# MNE 会计算每个 IC 与 EOG 通道的相关性，自动挑出最高的
eog_idx, eog_scores = ica.find_bads_eog(
    raw,
    ch_name=None,          # None = 自动选择 EOG 类型通道
    threshold=3.0,         # z-score 阈值，越小越激进（默认 3.0）
    measure='zscore',      # 相关性度量
)

print(f"自动识别的眼电成分: {eog_idx}")
print(f"各成分相关性分数: {eog_scores}")

# ====== 方式 B：手动指定 EOG 通道 ======
eog_idx, eog_scores = ica.find_bads_eog(
    raw,
    ch_name=['HEOG', 'VEOG'],  # 可指定多个
    threshold=2.0,
)

# ====== 方式 C：水平 + 垂直眼电分别检测 ======
eog_idx_h, scores_h = ica.find_bads_eog(raw, ch_name='HEOG')
eog_idx_v, scores_v = ica.find_bads_eog(raw, ch_name='VEOG')
eog_idx = list(set(eog_idx_h) | set(eog_idx_v))

# ====== 人工核对（必做！） ======
# 1) 可视化自动识别结果
ica.plot_scores(eog_scores, exclude=eog_idx)

# 2) 检查每个候选成分的拓扑图（眼电成分应在额部）
ica.plot_components(
    picks=eog_idx,
    inst=raw,
)

# 3) 检查每个候选成分的时间序列
ica.plot_sources(
    inst=raw,
    picks=eog_idx,
    start=0,
    stop=30,
)
# 期望：能清楚看到眨眼节律或眼球运动

# ====== 手动调整 ======
# 添加遗漏的眼电成分
ica.exclude.extend(eog_idx)
# 或移除误识别的成分
# ica.exclude.remove(<misidentified_idx>)

# 验证 1：候选成分数量合理
print(f"自动检出 EOG 成分数: {len(eog_idx)}")
assert 1 <= len(eog_idx) <= 5, "眼电成分数异常，建议人工复核"

# 验证 2：topomap 集中在额部
for idx in eog_idx:
    ica.plot_components(picks=[idx], inst=raw)
    # 期望：额部权重最大（特别是 Fp1/Fp2 附近）

# 验证 3：时间序列与 EOG 通道强相关
eog_ch = raw.get_channel_types(picks=['eog']).index('eog')
eog_data = raw.get_data(picks=['eog'])[0]
ic_timeseries = ica.get_sources(raw).get_data()[eog_idx[0]]
corr = np.corrcoef(eog_data, ic_timeseries)[0, 1]
print(f"IC{eog_idx[0]} vs EOG 相关系数: {corr:.2f}")
# 期望：|r| > 0.3

# 验证 4：保存 ICA + exclude 列表
ica.save('subject-01_ica.fif', overwrite=True)