<div dir="ltr">Dear Fieldtrip users,
<div><br></div><div>I have CTF 275 channels MEG data and I am interested in gamma band. For this purpose I would like to remove microsaccade artifacts from the data using the ICA. In order to obtain the microsacade components I have filtered data ( highpass and lowpass; 30-150 Hz) and than I've wanted to run ICA calculation. However, I've read here <a href="http://sccn.ucsd.edu/pipermail/eeglablist/2013/006710.html">http://sccn.ucsd.edu/pipermail/eeglablist/2013/006710.html</a> that after filtering data are more dependent and that is a big problem for ICA calculation. And I also experienced that ICA takes very long time and sometimes doesn't converge. So, to overcome this problem, the data dimensionality has to be reduced. I have found two different solutions from different sources. </div>
<div><br></div><div>One solution might be to estimate variance with PCA and than choose the amount of variance that should stay in the data. e.g.</div><div>[COEFF,SCORE,eigenvalues ] = princomp(data_matrix);<br></div>A= cumsum(eigenvalues);<br>
num_of_comp=find(A/A(end)>0.98,1); % 98% is the percentage of variance that will be used for the ICA, 2% will be discarded<div>This percentage will be the same for all subjects.</div><div><div><br></div><div>The second option might be to use the same eigenvalue cutoff value for all subjects:</div>
<div>[COEFF,SCORE,eigenvalues ] = princomp(data_matrix);<br></div><div><div>A=(find(eigenvalues>0.005));  %0.005 here is just for example<br></div><div>num_of_comp=A(end);</div></div><div><br></div><div>The variable num_of_comp represents the number of component to which filtered data will be reduced before ICA.</div>
<div>e.g.</div><div><div>    cfg = [];</div><div>    cfg.method = 'runica';</div><div>    cfg.runica.pca = num_of_comp;</div><div>    cfg.runica.maxsteps = 600;</div><div>    cfg.runica.stop = 1e-7;</div><div>    cfg.runica.extended = 1;</div>
<div>    ica_comp = ft_componentanalysis(cfg, data);</div></div><div><br></div><div><br></div><div><br></div><div>Finally, my question is which of this two methods is more objective? And is there any other possibility I should consider?</div>
<div>I would like to add that in my case second calculation gives me less variant number of components among 22 subjects.</div><div><br></div><div>Thank you in advance!</div><div><br></div><div>All the best!</div><div>Nenad</div>
<div><br></div><div><br></div><div><br></div><div><br></div><div><br></div><div><br></div><div><br></div></div></div>