English
资源说明：由于神经数据通常比较嘈杂，因此伪影剔除对于数据预处理至关重要。 长期以来，对于这样一种方法，它一直是一个巨大的研究挑战，该方法能够（1）最大限度地消除伪影，并且（2）同时避免结构信息的丢失或破坏，因此存在对数据引入偏差的风险解释可能会降到最低。 在这项研究中，提出了一种方法（即EEMD-ICA），该方法首先使用整体经验模式分解（EEMD）将可能带有噪声的多变量神经数据分解为固有模式函数（IMF）。 然后将独立成分分析（ICA）应用于IMF，以分离出人为成分。 该方法已针对经典ICA和自动小波ICA（AWICA）方法进行了测试，这是伪影剔除的主要方法。 为了评估所提出的方法在处理可能带有强烈噪声的神经数据中的有效性，已经使用混有多种噪声的半模拟数据进行了去除伪影的实验。 实验结果表明，该方法在归一化均方误差（NMSE）和结构相似度（SSIM）方面均连续优于同类方法。 在所有情况下，随着噪声信号比（NSR）的增加，优越性变得更大，例如，EEMD-ICA的SSIM几乎可以达到AWICA的两倍，而ICA则可以达到三倍。 为了进一步检查该方法在复杂应用中的潜力，该方法与相应方法一起被用于对没有癫
本源码包内暂不包含可直接显示的源代码文件，请下载源码包。
