第 4 层 · 伪迹剔除层 · 第 19 步 / 共 25 步

步骤 19:应用 ICA

从数据中去除伪迹 ICA 成分

🕐 18 分钟🎯 难度:进阶🔗 核心 API:ica.apply⬅️ 前置:步骤 18

1. 目标

把 ica.exclude 中的成分真正从数据中移除，重建 EEG 时间序列。剔除后眼电/心电等伪迹源被消除，但不影响其他成分。

2. 何时使用 / 何时跳过

必须使用：ICA 识别出伪迹成分后，最终施加剔除
绝不可跳过：否则 ica.exclude 仅是标注，未实际生效

3. 前置条件

已执行步骤 18：ica.exclude 列表已稳定（包含 EOG + ECG 成分）
注意：不要在原始数据上 apply，应在 epochs 上 apply（详见下文）

4. 核心代码

Python

import mne

# ====== 推荐做法：在 Epochs 上施加 ======
# ICA 施加前先创建 epochs（步骤 21）
# epochs = mne.Epochs(raw, events, ...)
# epochs.load_data()
# ica.apply(epochs)

# ====== 临时在 Raw 上施加（仅调试用） ======
# 警告：会修改 raw，建议保留 raw_for_ica 副本
raw_clean = ica.apply(raw.copy())  # 不修改原 raw
# 或就地修改：
# ica.apply(raw)

# ====== 验证剔除效果 ======
# 对比 raw vs raw_clean 的 EOG 通道附近（如 Fp1）
fp1_before = raw.copy().pick(['Fp1']).get_data()[0]
fp1_after = raw_clean.copy().pick(['Fp1']).get_data()[0]
variance_reduction = (fp1_before.var() - fp1_after.var()) / fp1_before.var() * 100
print(f"Fp1 方差降低: {variance_reduction:.1f}%")
# 期望：10-50%（显著降低但不会变 0）

# ====== 检查 exclude 列表 ======
print(f"ICA 排除成分: {ica.exclude}")
assert len(ica.exclude) > 0, "exclude 列表为空，未生效"

5. 参数详解（真实签名）

ica.apply(inst, include=None, exclude=None, n_pca_components=None, start=None, stop=None, *, on_baseline='warn', verbose=None)

参数	含义	推荐值
`inst`	要施加的对象	`Epochs`（推荐）/ `Raw`（仅调试）
`exclude`	要剔除的成分	默认用 `ica.exclude`
`include`	仅保留的成分（白名单）	默认全部
`n_pca_components`	PCA 降维后再剔除	默认 None
`start` / `stop`	时间窗	默认全部

⚠️ 真实签名中无 picks 参数——ica.apply() 不接受通道选择；它只对所有通道施加已计算好的 ICA 解混矩阵。
⚠️ 建议施加时机：在 Epochs 上 ica.apply()，不要在 Raw 上。原因： 1. Raw 上剔除可能影响后续可视化判断； 2. Epochs 是最终分析对象，避免 Raw 与 Epochs 不一致。

6. 验证方法

Python

# 验证 1：exclude 列表已生效
print(f"剔除成分数: {len(ica.exclude)}")
assert len(ica.exclude) >= 1

# 验证 2：眼电时刻的振幅明显降低
# 手动找到一次眨眼时刻
blink_idx = raw.copy().pick(['VEOG']).get_data()[0].argmax()
blink_window = slice(blink_idx - 100, blink_idx + 100)
before = raw.get_data(picks=['Fp1'])[0, blink_window].var()
after = raw_clean.get_data(picks=['Fp1'])[0, blink_window].var()
print(f"眨眼时刻 Fp1 方差: 剔除前={before:.2e}, 剔除后={after:.2e}")
# 期望：after 显著小于 before

# 验证 3：脑电成分（视觉诱发）不应受影响
# 用 ERP 信号验证（具体研究依赖）

# 验证 4：可视化对比
import matplotlib.pyplot as plt
fig, axes = plt.subplots(2, 1, sharex=True)
axes[0].plot(raw.times[:5000], raw.get_data(picks=['Fp1'])[0, :5000]*1e6)
axes[0].set_title('Before ICA')
axes[1].plot(raw_clean.times[:5000], raw_clean.get_data(picks=['Fp1'])[0, :5000]*1e6)
axes[1].set_title('After ICA')

7. 常见错误

错误	原因	解决方案
`apply` 后 ERP 没改善	误识别了一些正常成分	人工逐个核对 `ica.exclude`
误删过多成分导致数据"过干净"	`threshold` 太低，自动识别过多	减少 `ica.exclude`
`apply` 报错 `unexpected keyword 'picks'`	`picks` 不是 `apply` 的参数	删除 `picks=` 参数；`apply()` 自动施加到 inst 的全部通道
ICA 施加后通道变少	配置错误	`apply()` 不会减通道；如减了请检查 `n_pca_components`
apply 在 Raw 上做了，epochs 又 apply 一次	双重剔除	仅在 Epochs 上 apply 一次

8. 官方来源

资源类型	链接
`ica.apply`	https://mne.tools/stable/generated/mne.preprocessing.ICA.html#mne.preprocessing.ICA.apply
ICA 教程	https://mne.tools/stable/auto_tutorials/preprocessing/plot_40_artifact_correction_ica.html

9. 学术引用

Iriarte, J., et al. (2003). Independent component analysis as a tool for the analysis of EEG data. Clinical Neurophysiology, 114(11), 1995-2001.