脑电数据收集,处理和分析的基础

更多技术干货第一时间送达

在进行EEG数据分析时,需要进行各种预处理来筛选、清洗得到较好的EEG数据,所有这些预处理步骤都需要就数据的预期影响做出明智的决定。

关于EEG方面的介绍可以查看:《什么是EEG以及如何解释EEG?

EEG数据的清洗和伪影查看《EEG数据、伪影的查看与清洗

在这篇文章中,主要介绍在EEG数据处理中的5个关键方面。

1)实验试运行

脑电图实验需要仔细准备。您需要准备参与者,花一些时间来设置设备并运行初始测试。想要EEG实验在测试中成功,因此在进行全面研究之前,可以先从小型实验开始,并进行一些试验,以检查设备和流程等准备是否正常。

刺激是否以正确的顺序呈现?

鼠标和键盘是否都准备好了吗?

参加者是否理解说明?

设备能收到信号吗?

将这些问题从清单中剔除后,便可以开始进行实际的数据收集和分析。

2)从最开始保证记录数据的正确

迄今为止,没有一种算法能够清除记录不佳的数据,也不可能以一种神奇地改变信号的方式来清理或处理数据。因此,想要得到好的脑电数据需要从正确记录的数据开始。

脑电图系统通常提供基于软或硬件的质量指示器,如阻抗面板,其中每个电极的阻抗都以图形方式可视化。

绿色和低阻抗值意味着高质量的记录(低阻抗表示所记录的信号反映了头部内部的过程,而不是来自周围环境的人为过程)。

3)做出明智的决定

脑电图数据可以以近乎无限的方式进行记录和分析,不仅处理步骤本身重要,其顺序也很重要。所有信号处理技术都会在一定程度上改变数据,了解它们对数据的影响有助于选择正确的处理技术。

通过确保所选择的方法能够返回所期望的结果,这样就能够最大限度地提高科学研究的标准,如客观性、可靠性和有效性。

4)减弱或剔除伪迹

脑电图数据包含相关和不相关的方面。对一个脑电图专家来说是信号,而对另一个专家来说可能是噪音(反之亦然)。

例如,一个人可能对事件相关电位感兴趣,这些电位在特定的视觉刺激开始时被锁定。如果参与者在那一刻眨眼,脑电图可能就无法反映在屏幕上看到刺激的皮层过程。

作为一个脑电图专家,你可能会倾向于将该试验排除在分析之外,因为脑电图数据不包含相关信息。然而,如果在整个实验过程中,当刺激开始时,系统地出现眨眼,这可能会是一个有趣的故事。也许参与者会避免看到潜在的威胁性图片。拒绝所有发生眨眼的试验基本上会导致数据的急剧减少(很有可能100个试验中只剩下10个)

因此,基于统计程序如回归或插值的衰减程序(如Gratton,Coles & Donchin, 1983)或独立成分分析的方法可能更合适。在这种情况下,使用周围数据通道或时间点将污染的数据部分替换为插值数据(在图中红线代表的是校正后的信号)。

将头皮脑电图与其他传感器(如眼动跟踪器、肌电图或心电电极)相结合,有助于通过其他方式收集生理过程(如眨眼、肢体或心脏的肌肉运动),从而更容易识别它们对脑电图数据的干扰。

5)进行正确的统计

在设计和分析脑电图实验时,建议根据已知的材料来设计和分析。如果能够将结果与已经使用了可比统计方法的现有出版物联系起来,那么会更容易解释所观察到的效果。

如果想要研究事件相关电位(ERPs),则可能需要仔细地研究某些电极位置上ERP波形峰值的潜伏期和振幅。相比之下,如果对基于频率的度量(如theta、alpha、beta频带功率)感兴趣,那么你更应该关注感兴趣频带内的峰值频率。

脑电图指标如“认知负荷”(高级脑监测B-Alert)或“挫折感”(Emotion EPOC),都基于EEG数据的时域或频域特征,并且也可以考虑峰值幅度进行分析某个事件发生的时间或延迟。

分析技术包括简单的t检验和更复杂的ANOVAs(方差分析)以及非参数过程,如bootstrapping或randomization技术。当你想要以探索性的方式检查数据,而不指定预期的影响电极位置,潜伏期或振幅时,后者是特别有用的。

幸运的是,通过进行预处理,收集干净的数据以及在预处理和统计分析数据的过程中做出明智的决定,可以大大简化运行和分析EEG实验的复杂性。

参考:

https://imotions.com/blog/5-basics-eeg-data-processing/

更多阅读

小脑的功能解剖

眼动追踪与VR

DEAP数据集--一个重要的情绪脑电研究数据集(更新)

EEG数据、伪影的查看与清洗

什么是EEG以及如何解释EEG?

EEG vs MRI vs fMRI vs fNIRS简介

北京脑中心罗敏敏教授:解析奖赏神经环路 | 视频课程

Python-Evoked地形图可视化

Python-可视化Evoked数据

关于事件相关电位SSVEP应用于视频游戏的研究

关于事件相关电位P300应用于视频游戏的研究

Python-生成模拟原始脑电数据

头皮脑电图源空间的计算建模为癫痫的术前评估提供依据

测试干式EEG传感器的有效性--使用游戏

Python-使用多种滤波器对脑电数据去除伪影

长文阅读 | 人机融合智能:人工智能3.0

脑机接口基础之神经科学(更新)

BCI比赛数据集简介-BCI competition IV 2b

EEG信号特征提取算法

EEMD算法原理与实现

EMD算法原理与实现
EEGNet: 神经网络应用于脑电信号

信号处理之倒频谱原理与python实现

信号处理之功率谱原理与python实现

脑电信号滤波-代码实现

运动想象系统中的特征提取算法和分类算法

特征提取算法 | 共空间模式 Common Spatial Pattern(CSP)

功率谱估计-直接法原理与案例

MNE中文教程(16)-脑电数据的Epoching处理

DEAP数据库介绍--来自于音乐视频材料诱发得到的脑电数据

PsychoPy安装与测试案例

PsychoPy文字刺激、图片刺激和光栅刺激

Python机器学习算法随机森林判断睡眠类型

应用深度学习EEGNet来处理脑电信号

(0)

相关推荐

  • 华西医院ICU携手妞诺科技、智康科技,全面启动华西重症专科联盟远程系统

    动脉网获悉,2018年11月17日,杭州妞诺科技有限公司(以下简称"妞诺科技")与四川大学华西医院重症医学科(以下简称"华西ICU")合作启动仪式在成都举行.根 ...

  • 移动脑电在神经发展障碍研究中的运用

    已有研究表明,由遗传和环境之间复杂作用所诱发的神经发展障碍(如:注意缺陷/多动障碍(ADHD).自闭症谱系障碍(ASD)等),会影响个体成长过程中的大脑功能.为了更好地对神经发展障碍进行诊断和干预,研 ...

  • 脑电静息态脑网络:微状态源定位

    利用脑电图来分析大脑静息态脑网络的自发激活很有意义,因为感兴趣的信号幅值低而且很难区分潜在的神经来源.首先,本文使用k-means聚类方法对脑电数据进行聚类得到7个静息态脑地形图.然后使用TESS方法 ...

  • 用于追踪认知任务期间的亚秒级脑动态的高密度脑电

    这项工作为社区提供了高密度脑电图(HD-EEG, 256个通道)数据集,这些数据集是在无任务和任务相关范式下收集的.它包括43名健康的参与者执行视觉命名和拼写任务,视觉和听觉命名任务和视觉工作记忆任务 ...

  • 脑电分析系列[MNE-Python-21]| Python协方差矩阵处理脑电数据

    今天主要介绍一下MNE中如何用协方差矩阵来处理脑电数据的. MNE中的许多方法,包括源估计和一些分类算法,都需要根据记录进行协方差估计. 在本教程中,我们将介绍传感器协方差计算的基础知识,并构建一个噪 ...

  • MNE中文教程(16)-脑电数据的Epoching处理

    更多技术干货第一时间送达 Epoch概念简介 从连续的脑电图信号中提取一些特定时间窗口的信号,这些时间窗口可以称作为epochs.由于EEG是连续收集的,要分析脑电事件相关的电位时,需要将信号&quo ...

  • DEAP数据库介绍--来自于音乐视频材料诱发得到的脑电数据

    更多技术干货第一时间送达 DEAP数据库简介 DEAP[1](Database for Emotion Analysis usingPhysiological Signals),该数据库是由来自英国伦 ...

  • Python-使用多种滤波器对脑电数据去除伪影

    更多技术干货第一时间送达 一些由电源线造成的伪影具有某些特定范围的频率(比如,由电网产生的电力线噪声,主要由50Hz(或60Hz取决于实验的地理位置)的尖峰组成).因此可以通过滤波来固定. 本文分别使 ...

  • Python-生成模拟原始脑电数据

    更多技术干货第一时间送达 在实验中有时需要原始脑电数据来进行模拟实验,但又限于实验条件的不足,需要构造模拟的原始脑电数据. 本示例通过多次重复所需的源激活来生成原始数据. 案例介绍 # 导入工具包im ...

  • Python协方差矩阵处理脑电数据

    更多技术干货第一时间送达 Hello,大家好! Rose小哥今天主要介绍一下MNE中如何用协方差矩阵来处理脑电数据的. MNE中的许多方法,包括源估计和一些分类算法,都需要根据记录进行协方差估计. 在 ...

  • 利用LSTM(长短期记忆网络)来处理脑电数据

    更多技术干货第一时间送达 Hello,大家好! Rose小哥今天介绍一下用LSTM来处理脑电数据. LSTMs(Long Short Term Memory networks,长短期记忆网络)简称LS ...

  • 计算机视觉与脑电数据等应用于驾驶员的疲劳状态检测综述

    更多技术干货第一时间送达 大家好! 今天Rose小哥分享一篇伍冬睿教授的关于驾驶员疲劳状态检测综述,主要包括非接触式例如计算机视觉以及接触式包括脑电等在驾驶员的疲劳状态检测! 伍老师在机器学习.脑机接 ...

  • letswave7中文教程1:软件安装与脑电数据导入

    更多技术干货第一时间送达 Letswave是一款非常好用的神经生理信号处理分析工具,支持从主流的脑电图放大器中导入数据,为数据预处理和时频域信号分析提供多种功能.而且用户友好的界面使文件管理.批处理操 ...