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、批处理操作、统计分析和发布的图形生成变得容易。与其他信号处理工具相比,Letswave是一种直观、流线型的脑电图数据处理可视化工具,学习曲线较浅。

下面Rose小哥将为大家分享letswave7的常见使用方法。

这是第一部分:letswave7的安装与数据导入。

这部分主要包括4点内容:

  1. 安装;

  2. 数据集介绍;

  3. 数据集导入;

  4. 数据集检查。

1.安装

第一步,先将下载下来的letswave7压缩包,解压并拷贝到Matlab中的toolbox里,如下图:

第二步,设置路径。在Matlab的工具面板上,找到设置路径,如下图,并点击。

在弹出的界面中,选择下面红框1“添加并包含子文件夹”。选中letswave7,将其导入,最后切记要保存。

2.数据集介绍

这里采用的该数据集来自单受试者的P300实验,由BrainAmp (BrainProducts GmbH, Germany)记录,64通道,1000Hz采样率,参考电极FCz。在屏幕上的黑色方块目标刺激(标记为“S 9”),白色为非目标刺激(标记为“S 10”)进行视觉Odd-ball实验。每个矩形方块持续80毫秒,ISI 持续200毫秒。在两分钟共安排了600次刺激试验,其中目标刺激的可能性为5%。要求参与者计算出黑色方块的数量,并在会话结束后汇报。要求参与者在实验时注意力集中在屏幕上。

图片来源于 西南大学心理学院的王一峰老师的课件

Oddball实验模式是指采用两种或多种不同刺激持续交替呈现,它们出现的概率显著不同。

标准刺激(standardstimuli)——大概率

偏差刺激(deviantstimuli)——小概率

令参与者对偏差刺激进行反应,因此该偏差刺激称为靶刺激(Target)或目标刺激。

诱发P300、MMN等与刺激概率有关的ERP成分时的经典实验模式。

数据集包括3个文件sub093.eeg, sub093.vhdr以及 sub093.vmrk.

3. 数据集导入

第一步,在Matlab的命令窗口中输入"letswave7",打开letswave7。并将letwave7的路径设置为数据集的文件夹,本示例为:"F:\letswave\rawdata1"。

第二步,在管理器模块的菜单中选择"File->Import->Import EEG / MEG datafiles"。

弹出导入数据对话框,并点击"+"添加文件“sub093.eeg”

第三步,点击下图中的绿色三角形图标以导入数据集。

导入完成后。相应的数据集变为红色并显示“sub093(Done)”。关闭导入数据对话框,数据集“sub093”将出现在管理器模块中。

4.数据集检查

第一步,选择数据集“sub093”,然后在菜单中点击“View->continues DateViewer”,检查导入的数据集的数据质量。

在连续数据查看器中,可以看到通道P1明显异常。因此,在接下来的步骤中,我们将通道P1视为坏电极,应通过周围通道对其进行插值。

上述图可以看到P1通道的数据很异常,可以点开界面左下角处的OnlineButterworth Filter的Enable进行高低通滤波,查看。

利用周围通道(这里选取了C1、C2、P2)进行插值:

更多阅读

深度神经网络对脑电信号运动想象动作的在线解码

2020版 伯克利《神经技术导论》课程及PPT资料

应用深度学习EEGNet来处理脑电信号

脑电特征提取算法 | 共空间模式 Common Spatial Pattern(CSP)研究进展、算法原理及其它的代码案例

Cell刊:脑机接口让脊髓损伤患者重新获得手部触觉

Nature子刊:视网膜计算使眼睛先于大脑产生视觉信息

ICA处理后,如何判断眼电、心电等成分?

全球工程前沿2019-类脑、脑科学与脑机

一种基于脑电图情感识别的新型深度学习模型

脑机音乐接口,高效检测用户的情绪状态

将深度学习技术应用于基于情境感知的情绪识别

正好在家学习 1!EEG数据处理课程1-3

正好在家学习 2!EEG数据处理课程4-5

EEG信号特征提取算法

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

(0)

相关推荐

  • 从谎言到真相,破译说谎的认知密码

    撰文丨陳皮半夏(北京大学 神经生物学博士生) 责编丨赵钰茜 排版丨夏獭 Outline(又称太长不看版): 说谎是一种复杂的执行控制(executive control)行为,涉及多项认知能力(比如抑 ...

  • NeuroImage:警觉性水平对脑电微状态序列调制的证据

    <本文同步发布于"脑之说"微信公众号,欢迎搜索关注~~> 大脑的瞬时整体功能状态反映在其电场构型中,聚类分析方法显示了四种构型,称为脑电微状态类A到D.微状态参数的变化 ...

  • 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 ...

  • IEEE Signal Processing Magazine:fMRI数据的时变脑连接

    使用功能磁共振成像(fMRI)对全脑的功能性连接研究基于以下假设,即可以通过对整个实验进行平均来评估给定的条件(如休息状态或在任务状态).实际上,数据具有动态性,即使在相同的实验条件下,也显示出连接模 ...

  • letswave7中文教程2:脑电数据预处理-通道位置分配

    更多技术干货第一时间送达 原始的脑电图信号是有噪声的.预处理对于提高信号的信噪比以获得"清晰"的脑电图数据是非常有必要的.但是,想要完全区分噪音和信号却是几乎不可能的.在脑电信号中 ...

  • letswave7中文教程3:脑电数据预处理-ICA去除伪影

    更多技术干货第一时间送达 ICA/BSS的理论与模型 独立成分分析(ICA)是一种盲信号分离(Blind Signal Separation,BSS)方法.ICA可线性建模如下图所示. 假设X为&qu ...

  • letswave7中文教程4:脑电数据预处理-时域分析

    更多技术干货第一时间送达 在本章中,我们将继续对ICA过滤后的P300数据集进行预处理. 说明,这部分的教程是基于前面几次教程的基础上进行的.所以要进行ICA预处理进行伪影去除,需要: 先导入数据&l ...

  • 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 ...

  • ERPLAB中文教程:ERPLAB安装与添加通道

    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ERPLAB软件. ERPLAB是免费开源的Matlab软件包,用于分析ERP等脑电数据.ERPLAB扩展了EEGLAB的功能, ...

  • 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 ...

  • 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 ...