5.脑电信号的预处理及数据分析要点

1.脑电

1.1脑电

1.2脑电采集系统

1.3电极放置

2.伪迹

在脑电(EEG)分析中,Mean Global Field Power(MGFP,平均全局场功率) 是用来衡量某一时间段内,整个头皮电极阵列上脑电活动强度的一个指标 。它本质上是所有电极在该时刻电位值的标准差,反映的是脑电地形图的空间"起伏"程度------也就是电场强度。

公式定义:
GFP(t)=K1i=1∑K(Vi(t)−Vmean(t))2

其中:

  • Vi​(t) :第 i 个电极在时间 t 的电位;

  • Vmean​(t) :所有电极在时间 t 的平均电位;

  • K :电极总数。

这个值越大,说明脑电活动在空间上越"活跃",地形图越"陡峭";值越小,说明地形图越"平坦",脑电活动越弱

2.1生理伪迹

肌电波形一般跟炸毛一样

"叠加平均"(Ensemble Averaging)是诱发电位(EP)研究中最基本也最经典的信号处理步骤,其核心思想可以概括为一句话:

多次重复刺激下记录到的脑电信号按刺激时刻对齐后逐点相加,再除以刺激次数 ,让"锁时"且波形固定的诱发电位成分同相叠加而增强,而时间随机、均值为零的背景噪声(含肌电伪迹)在相加过程中相互抵消,从而把信噪比提高 √N 倍(N 为叠加次数)。

2.2非生理伪迹

2.3如何减轻伪迹干扰效应

3.EEG预处理

导入数据:将生成数据导入到eeglab

定位电极:找到原始数据图对应的各个电极

剔除无用电极:剔除眼动电极等

重参考:参考活动电极,把已经采集到的信号再"换一把尺子"重新量一遍。

滤波:低通和高通

分段:把连续 EEG 切成以刺激事件为 0 ms 的小段,每段只保留"刺激前×× ms → 刺激后×× ms"的窗口,后续所有分析都以这个"小段"为单位。输出:一个 3 维矩阵-试次 × 电极 × 时间点(例如 120 trials × 64 ch × 1000 pts)

基线较正:

1.选一段"认为没有刺激影响"的预刺激区间,最常见的是 −200 ~ 0 ms;

2.对这区间内每个通道分别求平均:Bₗ = mean(xₗ(t), t∈[t₁, t₂])

3.把整个试次该通道的所有点都减去 Bₗ:xₗ′(t) = xₗ(t) − Bₗ

ICA:独立成分分析

3.0导入数据/定位电极/剔除无用电极

3.1滤波

纵轴是波的幅度

高通可能会导致波段失真(如图一峰谷明显不一样了)

低通会使波段更平滑(如图二)

3.2重参考

以某电极参考,就是活动电极相对于参考电极的电位差图,这就是参考导联(单极导联)

3.3分段和基线矫正

3.4坏段剔除(某个试次)

3.5坏导剔除/插值

坏导插值就是由其他周围导(电极)的加权平均值代替坏导(电极)

3.6独立成分分析(ICA)

4.事件相关电位ERPs

4.1如何获得事件相关电位

锁时:当同一刺激事件重复出现时,大脑对该事件的电反应(如电压变化、能量变化或相位变化)在每次试验中都大约在同一时刻出现

P2是一个在刺激后约 150-250毫秒 达到峰值的正波。它的"P"代表"Positive"(正性)

N2是一个在刺激后约 200-350毫秒 达到峰值的负波。它的"N"代表"Negative"(负性)

4.3如何呈现ERPs结果

相关推荐
wang_yb2 小时前
折线图的奇妙变奏:四种创意可视化方法
数据分析·databook
90的程序爱好者2 小时前
Kettle多张表数据抽取操作步骤
数据库·数据仓库·数据挖掘
Aloudata4 小时前
破局 AI 幻觉:构建以 NoETL 语义编织为核心的 AI 就绪数据架构
人工智能·架构·数据分析·dataagent
Python毕设指南5 小时前
基于深度学习的旅游推荐系统
python·深度学习·数据分析·django·毕业设计·课程设计
2501_943695337 小时前
高职仓储分拣转优化分析中数据分析的作用
数据挖掘·数据分析
Data-Miner7 小时前
类似Pandas AI的几个数据分析处理智能体介绍
人工智能·数据分析·pandas
QQ12958455047 小时前
SSAS - 发货主题数据第1阶
数据仓库·数据分析
Brduino脑机接口技术答疑9 小时前
脑机接口数据处理连载(九) 经典分类算法(一):支持向量机(SVM)数据建模——基于脑机接口(BCI)运动想象任务实战
支持向量机·分类·数据挖掘
咋吃都不胖lyh10 小时前
GBDT 回归任务生成过程(逐步计算演示)
人工智能·数据挖掘·回归