精华内容
下载资源
问答
  • EEG脑电数据处理
    更多相关内容
  • EEG信号处理与分析常用工具包介绍

    千次阅读 2020-12-14 21:32:20
    在脑科学领域,EEG技术可以说是研究大脑的最重要的技术手段之一,而对于采集得到的EEG信号需要经过较为复杂的多个步骤的分析和处理才能够获得我们所需要的最终结果。EEG信号的分析和处理可能会涉及以下一个或多个...

    《本文同步发布于“脑之说”微信公众号,欢迎搜索关注~~》

    在脑科学领域,EEG技术可以说是研究大脑的最重要的技术手段之一,而对于采集得到的EEG信号需要经过较为复杂的多个步骤的分析和处理才能够获得我们所需要的最终结果。EEG信号的分析和处理可能会涉及以下一个或多个方面:信号的预处理(预处理也需要多个步骤)、ERP时域分析、时频分析、信号的功率谱计算、功能连接、溯源分析等等。上述涉及到的EEG信号分析方法对于有编程基础和学过“数字信号处理”相关课程的人来说或许会稍感轻松,但是对于没有学过 “数字信号处理”相关课程的人来说可能就会困难重重。幸运的是,目前国内外研究者开发出了多款EEG信号处理和分析的开源工具包,供大家免费下载使用。这些开源的EEG工具包促进了脑科学领域的蓬勃发展,也使得“技术小白们”经过简单的学习就可以运用那些高大上的EEG分析技术。这里,笔者就对这些常用的EEG信号分析与处理工具包进行简单的介绍。

    EEGLAB

    EEGLAB是由美国加州大学Swartz Center for Computational Neuroscience团队研发的一款基于Matlab软件的开源工具包,可用于处理连续和事件相关EEG和MEG信号,可以说是目前应用最为广泛的EEG信号处理工具包了。EEGLAB具有便于操作的GUI界面,特别适合初学者以及无编程基础的研究者学习使用。EEGLAB可以读取几乎所有格式的EEG信号,可以方便地进行EEG信号的浏览、EEG信号的预处理、EEG的功率谱计算、独立成分分析ICA、时频分析、ERP波形绘制、头皮电压拓扑分布图绘制等分析。当然,除了直接使用GUI界面进行上述一系列分析,对于有编程基础的朋友可以直接调用相关函数和编写脚本进行批量处理。此外,EEGLAB还可以免费下载多种特定EEG信号分析方法的插件,以满足不同研究者的不同需求,这大大地扩展了EEGLAB的功能。
    EEGLAB的官方网址:https://sccn.ucsd.edu/eeglab/index.php
    在这里插入图片描述
    图1(来源:EEGLAB官网)

    FieldTrip

    FieldTrip也是一款基于Matlab软件的开源工具包,其由荷兰拉德堡德大学(Radboud University)的Donders Institute for Brain, Cognition and Behaviour团队开发,可用于分析EEG、MEG、NIRS信号。FieldTrip功能强大,包含大部分EEG信号处理的技术方法。EEGLAB工具包中的EEG分析技术(如时频分析、ICA等等),在FieldTrip中也都可以实现,此外,与EEGLAB相比较,FieldTrip最为突出的优势是可以进行多种方式的EEG溯源分析(如dipoles, distributed sources 和 beamformers)。但是,FieldTrip没有GUI界面,需要自己编程调用不同功能的函数,因此对于没有编程基础的研究者不太适合,但是其官方网站上配套有比较全面的学习教程,以供初学者学习。
    FieldTrip的官方网址:http://www.fieldtriptoolbox.org/
    eConnectome

    eConnectome是由美国明尼苏达大学Biomedical Functional Imaging and Neuroengineering Laboratory的Bin He教授团队开发的一款基于Matlab的工具包,其可以用于EEG、ECoG、MEG信号的分析。eConnectome工具包最主要的特点和功能是计算基于DTF (directed transfer function) 和ADTF (adaptivedirected transfer function)的Granger因果连接、溯源分析以及结果在3D头模型上的可视化。此外,eConnectome工具包具有信号预处理的功能,也具有GUI界面,如图2所示。
    eConnectome下载网址:https://www.nitrc.org/projects/econnectome/
    在这里插入图片描述
    图2(来源:doi:10.1016/j.jneumeth.2010.11.015)

    Brainstorm

    Brainstorm是由麦吉尔大学(McGill University)的McConnell Brain Imaging Centre,南加州大学(University of Southern California)的Signal & Image Processing Institute,Cleveland Clinic Neurological Institute等多家单位联合开发的一款基于Matlab的开源工具包,可用于分析EEG、MEG等信号。与FieldTrip工具包有点类似,除了包含基本常用的EEG分析技术外,Brianstorm最主要的优势是可以进行基于多种技术的溯源分析。此外,与FieldTrip相比,Brianstorm具有GUI界面,方便没有编程基础的研究者使用。
    Brainstorm官方网址:https://neuroimage.usc.edu/brainstorm/
    在这里插入图片描述
    图3(来源:http://dx.doi.org/10.1155/2011/879716)

    HERMES

    HERMES是由西班牙马德里技术大学(Technical University of Madrid)的Centre for Biomedical Technology团队研发的基于Matlab的开源EEG工具包,其主要的功能和特点是计算基于各种方法的功能连接,如基于相同步的功能连接指标(如Phase-locking value、Phase-lag index等)、基于Granger因果性的有效连接指标(DTF、PDC等)、基于信息论的功能连接指标(如互信息、transfer entropy等),如图4所示。
    HERMES官方网址:http://hermes.ctb.upm.es/
    在这里插入图片描述
    图4(来源:官方网站)

    总结

    当然,除了上述列举出来的EEG分析的工具包外,还有其他很多开源的工具包,这里笔者就不再一一列举。这里笔者需要说的是,工具包虽好,但是我们在应用某些分析技术时,尽量还是要先理解这些分析技术的原理,而不只是“傻瓜式地”点几个工具包中的按钮。

    注:解读不易,请多多转发支持,您的每一次转发是对我们最好的支持!本文原文及附加材料,请添加赵老师微信索要(微信号:15560177218)

    展开全文
  • 脑电EEG概念解释及深度学习结合

    万次阅读 多人点赞 2019-06-10 14:42:08
    这篇文章,是我做完毕设写的,机器学习的脑电信号的四分类,基于python的代码。V:FZF199,欢迎交流。 下面是过程中的经验吧,希望你能快速上手,快速有一些基础。 获取了数据还要读懂数据,周期,时间,采样频率,...

    这篇文章,是我做完毕设写的,机器学习的脑电信号的四分类,基于python的代码。V:FZF199,欢迎交流。

    基本的学习资料,源码,论文讲解都有下载链接:

    脑电信号深度学习python基础资料

    下面是过程中的经验吧,希望你能快速上手,快速有一些基础。

    获取了数据还要读懂数据,周期,时间,采样频率,通道等等信息,可以通过说明文档,一般数据都会有。或者用matlab打开数据集来获取。

    一、脑电信号数据

    开源数据集,注意数据的格式,我用过,mat,gdf,以前都没处理过这种格式的数据。

    1、非常好用的脑电信号数据集,BNCI地平线2020Data sets - BNCI Horizon 2020 

    里面包括BCI竞赛的数据等等26个,可以直接单个下载。

    2、BCI竞赛的数据集:BCI Competitions

    使用:进去某一年的竞赛数据,找到下载数据集。填写好信息,会发送一个下载链接给你的邮箱,还有登陆的账号和密码。

    3、 https://github.com/meagmohit/EEG-Datasets

    2、数据的读取

    MNE — MNE 0.24.1 documentation

    用于探索,可视化和分析人类神经生理学数据的开源Python软件:MEG,EEG,sEEG,ECoG等。

    3、算法的库

    小波变换的库

    PyWavelets - Wavelet Transforms in Python — PyWavelets Documentation

    4、一些基础概念

    人脑具有电活动是Hans Berger于1924年首先检测到的,并将这种检测方法命名为脑电图(electroencephalo-graph,EEG)。脑电信号主要由皮质内大量神经元突触后电位同步总和形成,是很多神经元共同活动的结果。传统脑电信号分析大多由专家根据经验辨别伪差目测完成,并根据脑电图波形的幅度、频率和瞬态分布等给出评价。这使对脑电信号的特征提取与分析停留在主观水平上。傅立叶变换进行脑电图分析后,相继引入频域分析、时域分析等脑电图分析的经典处理方法,脑电信号的处理理论与方法均有较大的进展。

     采样频率,也称为采样速度或者采样率,定义了每秒从连续信号中提取并组成离散信号的采样个数,它用赫兹(Hz)来表示。采样频率的倒数是采样周期或者叫作采样时间,它是采样之间的时间间隔。通俗的讲采样频率是指计算机每秒钟采集多少个声音样本,是描述声音文件的音质、音调,衡量声卡、声音文件的质量标准。
    通俗的讲采样频率是指计算机每秒钟采集多少个样本(样本点)。采样频率越高,即采样的间隔时间越短,则在单位时间内计算机得到的声音样本数据就越多,对声音波形的表示也越精确。采样频率与声音频率之间有一定的关系,根据奈奎斯特理论,只有采样频率高于声音信号最高频率的两倍时,才能把数字信号表示的声音还原成为原来的声音。
     

    脑信息解码被广泛用于脑机接口系统(brain computer interface system, BCIs)

    脑机接口(英语:brain-computer interface,简称BCI;有时也称作direct neural interface或者brain-machine interface),是在动物(或者脑细胞的培养物)与外部设备间创建的直接连接通路。在单向脑机接口的情况下,计算机或者接受脑传来的命令,或者发送信号到脑(例如视频重建),但不能同时发送和接收信号[1]。而双向脑机接口允许脑和外部设备间的双向信息交换。

    BCIs主要包括信号采集,信号特征提取和模式分类三个部分

    信号采集

    脑信息记录信号分为侵入式或非侵入式

    侵入式脑机接口

    侵入式脑机接口主要用于重建特殊感觉(例如视觉)以及瘫痪病人的运动功能。此类脑机接口通常直接植入到大脑的灰质,因而所获取的神经信号的质量比较高。但其缺点是容易引发免疫反应愈伤组织),进而导致信号质量的衰退甚至消失。

    非侵入式脑机接口

    优点:非入侵式脑机接口具有良好的时间分辨率、易用性、便携性和相对低廉的价格。

    缺点:虽然这种非侵入式的设备方便佩戴于人体,但是由于颅骨对信号的衰减作用和对神经元发出的电磁波的分散和模糊效应,记录到信号的分辨率并不高。这种信号波仍可被检测到,但很难确定发出信号的脑区或者相关的单个神经元的放电。存在较低的信噪比和空间分辨率等问题。

    范式

    它指的是一个共同体成员所共享的信仰、价值、技术等等的集合。指常规科学所赖以运作的理论基础和实践规范,是从事某一科学的研究者群体所共同遵从的世界观和行为方式。开展科学研究、建立科学体系、运用科学思想的坐标、参照系与基本方式,科学体系的基本模式、基本结构与基本功能。

    实验范式

    实验范式即相对固定的实验程序。在许多领域尤其是心理学中,为了验证某种假设,以及发现某些有意思的现象。实验者会设计具有验证性目的的实验。有些实验比较经典,被有相同或类似目的的后来人多次沿用,就形成了一种实验范式。实验范式包括实验的目的、具体流程、手段以及是被试内还是被试间或者是混合实验设计等。用一句话讲就是:实验范式在具体的实验中可以做为模板,并根据自己的新要求进行修改。比如,在决策心理学中,经典的实验范式有:爱荷华博弈任务、剑桥博弈任务等。

    两个脑电方面的实验范式

    1、MI

    运动想象(Motor Imagery, MI)是利用自发脑电信号实现无动作人机交互的一种重要BCI实验范式

    2、SSVEP

    稳态视觉诱发电位 (英语:Steady state visually evoked potential, SSVEP) 是指大脑对于特定频率的视觉刺激会诱发的讯号。当视网膜接收到 3.5Hz 至 75Hz 的视觉刺激,大脑会产生和视觉刺激相同频率或倍数频率的电气活动[

    在概述国内外稳态视觉诱发电位脑机接口技术研究的基础上,针对传统稳态视觉诱发电位 (SSVEP)在脑一机接口(BCI)系统应用中存在的问题,在范式设计方面,分别提出了基于牛顿环、高 频组合编码和幅值调制的SSVEP的3种BCI范式。

    10-20系统电极位置

    世界上绝大多数实验室采用的是国际10-20系统(the 10-20 international System)电极放置法

    其特点是:

    电极有各自的名称:位于左侧的是奇数,右侧的是偶数。

    按近中线的用较小的数字,较外侧的用较大的数字。

    电极名称包括电极所在头部分区的第一个字母。

    诸点电极的间隔均以10%20%来测量

    二个电极间电位差变化的形式 谓之波形。

    二个相同的波连续出现,谓之电活动

    三个以上大小、形状相同的脑波称之为节律。

    大脑皮质分区

    脑电图脑波图(英语:Electroencephalography, EEG)是透过医学仪器脑电图描记仪,将人体脑部自身产生的微弱生物电头皮处收集,并放大记录而得到的曲线图。

    脑电解码

    脑电解码是通过对原始脑电信号进行预处理,特征提取然后分类识别的过程

    脑机接口系统中EEG信号特征提取与分类(万方数据知识服务平台

    推荐一个微信公众号:帐号已迁移

    预处理

    将从头皮表层采集到的含有大量外界及内源干扰噪声的脑电进行提纯,保留下与脑活动有关的主要信息成分。

    (1)信号滤波

    由于脑电信号信噪比较低,内含大量外界干扰噪声(设备仪器工频干扰等)和伪迹成分(人体内部振荡引起的非脑电信号,如眼动,心跳等)。外界干扰噪声频率较高,可以利用滤波器分离,但人体内部引起的伪迹成分与脑电有效成分的频率接近,需要用其他预处理方法进行滤除。

    (2)信号分割

    对于连续的脑电信号,我们只关心包含运动想象信息的部分

    (3)伪迹去除

    针对采集的脑电数据中可能存在的眨眼、心电、肌电等伪迹干扰问题

    主成分分析法(PCA)、独立成分分析法(ICA)、

    特征提取

    特征提取是将相关的信号特征与无关的成分分开,并以紧凑或有一定意义的形式表达的过程

    ERD and ERS

    两篇相关的文献

    The blocking of the rolandic wicket rhythm and some central changes related to movement-

    作者:Gian EmilioChatrianM.D.Magnus C.PetersenM.D.Jorge A.LazarteM.D.

    Event-related cortical desynchronization detected by power measurements of scalp EEG.

    作者:PFURTSCHELLER,G.

    事件相关去同步化(event-related desynchronization,ERD)和事件相关同步化(event related synchronization,ERS)是研究脑功能信号有用的分析方法(事件相关去同步化和同步化方法在脑电信号分析中的研究进展_脑电信号_事件相关去同步化_神经外科_医脉通

    Phenomena reflecting sensorimotor brain activity resulting in an amplitude decrease (ERD) or increase (ERS) of oscillatory components.

    当某一皮层区域活跃起来, 特定频率的节律性活动表现为幅度的降低,生理现象称作 事件相关去同步化(event-related desynchronization,ERD)

    在大脑静息或者惰性状态下表现出明显波幅增高,事件相关同步化(event related synchronization,ERS)

    首先报道alpha去同步化活动的是 Berger的先驱性工作,又称为"alpha波阻滞"。之后Gastaut和Chatrian等发现10Hz的去同步化活动与手运动密切相关, 而且仅局限于运动皮质的Rolantic区 。 由于10Hz与运动系统的特异性,这些学者将10Hz命名为“rolantic mu rhythms”或者“central mu rhythms”,也就是mu节律。其后Pfurscheller等将alpha频谱去同步化的现象作称作ERD,并进行了大量与运动相关作业的研究,他们进一步证实不仅alpha频谱而且beta频谱对运动具有反应敏感的特点 。与此同时,他们还发现与ERD 截然不同的现象 ,alpha和beta频谱在大脑静息或惰性状态下表现出明显波幅增高的电活动,将其称为事件相关同步化(event related synchronization,ERS)

    在时序信号上出现的幅度增减变化即是时域特征

    PFURTSCHELLER和ANDREW在1999年证实在单手准备和执行运动时,对侧感觉运动皮质脑电信号中α频段(8~12Hz)和β频段(13~30Hz)出现振幅降低,并称为ERD,代表受激活的皮质脑电信号振幅减低。同时,运动手同侧的脑皮质信号中α频段(8~12Hz)和β频段(13~30Hz)出现振幅增加,称为ERS,代表相应皮质在静息状态下出现波幅增高。

    研究表明,大脑在想象或实施动作时均能显著地改变所诱发 ERP信号内某些特征频段成分 ( 如α波、β波和 µ 节律 )的功率谱强弱比率.这一现象被称为事件相关去同步( event related desynchronization,ERD ) 或事件相关同步 ( event related synchronization,ERS ) 现象 [3-4] .ERD对应于功率谱比率下降,ERS 则对应于功率谱比率上升.并且,对应于大脑主观想象肢体动作思维和作业提示所诱发被动思维的 ERD/ERS 在具体表现特征频段和运动皮层区域均有所不同.例如,对应于手部运动的 ERD 多发生在 10~11,Hz 及 20~24,Hz 频段,而与足部运动有关的 ERD 则常见于 7~8,Hz 与20~24,Hz 频段 [4] .

    当某一皮层区域活跃起来, 特定频率的节律性活动表现为幅度的降低或称为事件相关去同步(event-related desynchronization, ERD);当某一活动在一定时刻没有使相关皮层区域明显地活跃起来 ,特定频率就表现为幅度升高或称为事件相关同步(event-related synchronization, ERS)。运动感觉区的固有频率就是典型的 EEG 局部分量 , 如 μ(mu)、中心β和α节律

    时域分析的常用分析方法有方差分析、相关分析以及微分、积分、直方图、峰值检验等

    ERD/ERS量化方法

    方法包括:经典频带功率法、试用方差法、自回归模型和频谱分解法、时间频谱演化方法、任务相关能量的增减方法、柯氏复杂性和傅里叶谱熵。除柯氏复杂性和傅里叶谱熵是非线性测量之外,其他都是鉴于该频带的功率熵

    功率谱分析是频域特征分析的主要手段

    基于公共空间模式(common  spatial Pattem,CSP)的方法对基于事件相关去同步的运动相关电位的信号特征提取具有很好的分离效果。但是由于EEG信号信噪比很低,单纯依靠CSP提取特征是不够的,还需要利用数据驱动的方法作进一步处理.从数据中

    提取特征规律。特征提取分为三步,首先是CSP滤波,接下来是连续小波(continuous wavelet  transform,CWT)分析,最后采用T加权方法提取特征。

    支持向量机(support Vector Machines,SVM),是在高维特征空间使用线性函数假设空间的学习系统,该方法已成功应用于多维模式识别的分类和回归。近些年来,研究人员开始将其应用于事件相关的EEG信号的处理,同样取得了比较理想的分类效果。我们将该算法应用于运动想象实验范式,算法性能较为突出,在小样本的情况下识别正确率较高。

    2001 年 Litt 提出了积累能量算法并分析了癫痫发作前后的能量变化,实验结果表明癫痫发作期前能量发生了明显的变化,而且结果的正确性还比较高 [4, 15] 。

    模式识别

    模式识别过程是预先用提取的特征训练识别模型,让识别模型学习并对特征保留下“记忆”,以便以后遇到类似特征的数据能够快速判别出

    目前常用于MI-EEG的分类方法主要有线性判别分析 (linear discriminant analysis,LDA)、朴素贝叶斯(Naive Bayes,NB) 、支持向量机(Support Vector Machine, SVM)和基于反向传播(BackPropagation,BP)的神经网络

    神经网络,进一步的深度神经网络

    CNN,RNN,LSTM,GAN等等

    GAN

    Generative Adversarial Network,就是大家耳熟能详的 GAN,由 Ian Goodfellow 首先提出

    什么是生成(generation)?就是模型通过学习一些数据,然后生成类似的数据。让机器看一些动物图片,然后自己来产生动物的图片,这就是生成。

    discriminator 就是一个二分类器

    (一)

    主要流程类似上面这个图。首先,有一个一代的 generator,它能生成一些很差的图片,然后有一个一代的 discriminator,它能准确的把生成的图片,和真实的图片分类,简而言之,这个 discriminator 就是一个二分类器,对生成的图片输出 0,对真实的图片输出 1。

    接着,开始训练出二代的 generator,它能生成稍好一点的图片,能够让一代的 discriminator 认为这些生成的图片是真实的图片。然后会训练出一个二代的 discriminator,它能准确的识别出真实的图片,和二代 generator 生成的图片。以此类推,会有三代,四代。。。n 代的 generator 和 discriminator,最后 discriminator 无法分辨生成的图片和真实图片,这个网络就拟合了。

    (二)

    GAN的基本原理其实非常简单,这里以生成图片为例进行说明。假设我们有两个网络,G(Generator)和D(Discriminator)。正如它的名字所暗示的那样,它们的功能分别是:

    • G是一个生成图片的网络,它接收一个随机的噪声z,通过这个噪声生成图片,记做G(z)。
    • D是一个判别网络,判别一张图片是不是“真实的”。它的输入参数是x,x代表一张图片,输出D(x)代表x为真实图片的概率,如果为1,就代表100%是真实的图片,而输出为0,就代表不可能是真实的图片。

    在训练过程中,生成网络G的目标就是尽量生成真实的图片去欺骗判别网络D。而D的目标就是尽量把G生成的图片和真实的图片分别开来。这样,G和D构成了一个动态的“博弈过程”。

    最后博弈的结果是什么?在最理想的状态下,G可以生成足以“以假乱真”的图片G(z)。对于D来说,它难以判定G生成的图片究竟是不是真实的,因此D(G(z)) = 0.5。

    这样我们的目的就达成了:我们得到了一个生成式的模型G,它可以用来生成图片。

    展开全文
  • 对应于DEAP数据集,提取其微分熵特征,计算其微分熵特征。
  • LSTM_EEG_Classification.zip

    2021-02-15 18:20:20
    基于LSTM的EEG脑电信号分类,数据集来自于BCI竞赛IV-2b 下载方法见我的博客 https://blog.csdn.net/fzf1996/article/details/88031737
  • 什么是EEG以及如何解释EEG?

    千次阅读 2021-12-20 01:16:20
    EEG系统中的价格差异通常是由于电极的数量,数字化的质量,放大器的质量以及设备每秒可拍摄的快照数量(这是以Hz为单位的采样率)决定的。 脑电图通常具有较高的采样率,是目前应用最快的成像技术之一。一百年前,...

    39bf94bda86795fd984188c7c6c1b6d0.png

    当你思考、做梦、看东西和感觉的时候,你的大脑是持续活跃的,吸收所有的信息,压缩和重新连接现有的数据,并将所有的东西整合成一致的体验。对你来说,这种经历构成了你的现实。

    你的大脑是活的。你的大脑会塑造你对周围环境的看法,过滤或突出与你最相关的物体和信息。它根据你的思想、情感、欲望和经历创造自己的故事,最终驱动你的行为。

        大脑的电活动

    大脑由数十亿个细胞组成,其中一半是神经元,一半帮助和促进神经元的活动。这些神经元通过突触紧密相连,突触是抑制或兴奋性活动的通道。

    任何突触活动都会产生一种微妙的电脉冲,称为突触后电位。当然,如果没有直接接触单个神经元,很难可靠地检测到它的突发。然而,每当数千个神经元同时放电时,它们就会产生一个强大的电场,足以穿过组织、骨骼和头骨。最终,它可以在头部表面测量。

    可以把这看作是轻微地震的持续轰鸣声。就其本身而言,每一次爆发可能都太小而难以察觉,但如果其中几次在同一时间、同一地点、以同一节奏发生,它们加起来就会形成一场大地震,即使在数百英里之外也能被察觉到。

        什么是EEG?它是如何工作的?

    f11f4bfe3a014b6f56356bc47b192f23.png

    脑电图(EEG)是一种生理方法,用于记录大脑通过放置在头皮表面上的电极产生的电活动。为了更快地进行应用,将电极安装在类似于浴帽的弹性帽中,以确保可以从所有受试者的相同头皮位置收集数据。

    脑电图:

    测量由数千个神经元的同步活动产生的电活动(以伏特为单位)

    提供出色的时间分辨率,允许您检测皮层区域内的活动--甚至可以在亚秒级的时间范围内检测皮层区域内的活动。

    由于在电极处测得的电压波动非常小,因此记录的数据将被数字化并发送到放大器。然后可以将放大的数据显示为电压值序列。

    EEG系统中的价格差异通常是由于电极的数量,数字化的质量,放大器的质量以及设备每秒可拍摄的快照数量(这是以Hz为单位的采样率)决定的。

    脑电图通常具有较高的采样率,是目前应用最快的成像技术之一。一百年前,脑电图的时间过程被绘制在纸上。当前系统以数字形式在屏幕上连续显示电压数据。

    如何解释脑电数据?

    当EEG监视大脑产生的电活动的时间过程时,可以解释皮质的哪些区域负责在给定的时间处理信息:

    枕叶皮质

    大脑的这一部分主要负责处理视觉信息。视觉刺激(视频,图像)的脑电图实验通常集中在枕部。

    顶叶皮层

    顶叶皮层主要负责运动功能,并在自我参照任务中活跃(例如,当我们遇到对我们重要的物体或信息时)。

    颞叶皮质

    颞叶皮层的侧面负责语言处理和语音产生。在空间导航期间,内侧(内部)区域更加活跃。

    额叶皮层

    与大多数其他哺乳动物相比,人脑的额叶部分增大了。基本上,额叶皮层全部与执行功能有关:它有助于我们保持控制力,规划未来,并监控我们的行为。除了某些电活动起源的区域特征之外,您还可以分析哪些频率主要驱动正在进行的活动。

    c3bfaef207e3cf91afae71ebb74df7cc.png

    只要您的大脑处于特定状态,频率模式就会改变,从而深入了解认知过程。

    Delta(1-4 Hz)–在睡眠实验室中,Delta波被用来评估睡眠深度。节奏越强,睡眠越深。Delta波功率的增加(增加的增量波记录数量)被发现与内部工作记忆任务的注意力增加有关[1]。

    ad7b2ef2b86cce22a1d0c67762e198f6.gif

    Theta(4 – 7 Hz)– Theta与广泛的认知处理相关,例如记忆编码和检索以及认知工作量[2]。每当我们遇到困难的任务时(例如,从100开始倒数,或者当回忆起下班回家的路时),Theta波就会变得更加突出。Theta也与疲劳程度增加有关[3]。

    30fbfabfdffb4565dba935d590186b4e.gif

    Alpha(7–12 Hz)–每当我们闭上眼睛,让自己进入平静状态时,Alpha波就会接管。处于放松清醒状态时,Alpha值会增加。生物反馈训练通常使用Alpha波来监测放松情况。它们也与抑制和注意有关[4]。

    63bd9216c679c05ee9ca5f73a7076b4c.gif

    Beta(12 – 30 Hz)-在运动区域内,随着我们计划或执行任何身体部位的运动,Beta频率会变得更强[5]。有趣的是,随着我们观察其他人的身体运动,Beta波的这种增加也很明显[6]。我们的大脑似乎模仿了他们的肢体运动,这表明我们大脑中存在着一个复杂的“镜像神经元系统”,该系统可能与Beta频率协调。

    ec1eda711090f585b4fd62051d85f1b2.gif

    Gamma(> 30 Hz,通常为40 Hz)–一些研究人员认为,Gamma波反映了注意力的集中,并作为载波频率来促进大脑区域之间的数据交换[7]。其他人则将伽玛与快速的眼球运动(所谓的微扫视)联系起来,它们被认为是感觉处理和信息吸收的组成部分[8]。

    f770f06735c49e4d40501412d015e88f.gif

    分析脑电数据很有挑战性。信号处理,伪迹检测和衰减,特征提取以及诸如工作量,参与度,嗜睡或警觉性等心理指标的计算都需要一定水平的专业知识和经验,才能正确地从收集的数据中识别和提取有价值的信息。

    参考文献

    [1] Harmony, T. (2013). The functional significance of delta oscillations in cognitive processing. Frontiers in Integrative Neuroscience.7:83 10.3389/fnint.2013.00083

    [2] Klimesch, W. (1999). EEG alpha and theta oscillations reflect cognitive and memory performance: a review and analysis. Brain Res. Rev., 29 (2-3), 169–195

    [3] Craig, A., Tran, Y., Wijesuriya, N., Nguyen, H. (2012). Regional brain wave activity changes associated with fatigue. Psychophysiology 49:574–582

    [4] Klimesch, W. (2012). Alpha-band oscilaltions, attention, and controlled access to stored information. Trends Cogn Sci.16(12):606–17. 10.1016/j.tics.2012.10.007

    [5] Takahashi, K., Saleh, M., Penn, R. D., Hatsopoulos, N. G. (2011). Propagating waves in human motor cortex.Front Hum Neurosci. 5(40):40

    [6] Halder, S., Agorastos, D., Veit, R., Hammer, E. M., Lee, S., Varkuti, B., et al. (2011). Neural mechanisms of brain-computer interface control. Neuroimage 55, 1779–1790. Doi: 10.1016/j.neuroimage.2011.01.021

    [7] Jia, X., Kohn, A. (2011). Gamma Rhythms in the Brain. PLOS Biology. 9(4):e1001045 doi: 10.1371/journal.pbio.1001045

    [8] Yuval-Greenberg, S., Tomer, O., Keren, A. S., Nelken, I., Deouell, L. Y. (2008). Transient induced gamma-band response in EEG as a manifestation of miniature saccades. Neuron. 58: 429–41. doi: 10.1016/j.neuron.2008.03.027

    参考:https://imotions.com/blog/what-is-eeg/


    仅用于学术交流,不用于商业行为,若有侵权及疑问,请后台留言,管理员即时删侵!

    ba25ed91929ba4c9e9bec729bda4115e.png

    更多阅读


    乐高小车竟被装上「生物大脑」,无需算法走出蜂巢迷宫!

    Python协方差矩阵处理脑电数据

    当你在梦乡里,大脑是如何唤醒你的?

    中日两高校合作发表仿生手臂驱动技术研究综述

    新的脑图可以预测行为

    脑电与情绪简介

    科学家发现,我们的大脑为音乐进化了一个专门的神经回路

    新型脑刺激疗法治疗重度抑郁症

    “万能钥匙”可以打开大脑:脑刺激个性化医疗的新领域

    基于深度学习的脑电图识别 综述(一)总体概述

    EEGNet: 神经网络应用于脑电信号


    47ee21f297a9dde1e7f732493c6b65e1.png

    d2dcbd71862c1132bfa415fc104f2042.png

    点个在看祝你开心一整天!

    展开全文
  • MNE_EEG_CSP.zip

    2020-05-15 14:27:53
    MNN库中CSP算法的使用,以BCI竞赛中运动想象的数据为例。参考博客Python中MNE库滤波的重要性。https://blog.csdn.net/zhoudapeng01/article/details/106124655
  • 同步脑电 功能磁共振(EEG-fMRI)原理与技术同步脑电 功能磁共振(EEG-fMRI)原理与技术
  • 这个包与我们论文的功能和分析相关联: Payam Shahsavari Baboukani, Ghasem Azemi, Boualem Boashash, Paul Colditz, Amir Omidvarnia, 一种新的多变量相位同步测量:在多通道新生儿脑电图分析中的应用, 数字信号...
  • EEG 信号的 Python 情绪识别 该存储库包含使用小波变换和 svm 分类器的 rbf 内核进行情感识别的代码。 抽象的: 本文旨在提出使用脑电图 (EEG) 技术进行情绪识别。脑电图 (EEG) 是一种机器,它使用附着在头皮上的小...
  • BrainFlow是一个旨在从生物传感器获取,解析和分析EEG,EMG,ECG和其他类型数据的库。 BrainFlow的优势: 具有许多功能的强大API,可简化开发 简单易用的API,用于数据采集 强大的API用于信号过滤,去噪,下采样... ...
  • EEG MI Data.zip

    2020-08-05 18:39:22
    EEG MI分类任务的数据集,适用于https://blog.csdn.net/qq_45347185/article/details/107068521 这篇文章中的代码
  • eeg信号的预处理(1)

    2021-12-22 10:47:06
    EEG信号的采集过程中,会混入眼动等噪声。眼动噪声相对于EEG信号来说,表现为幅度异常大。如果直接用这样的信号去实现CNN的分类,似乎没有特别影响分类的效果(未进行测试,但是目前分类结果可以达到90%以上,因此...
  • EEG脑电数据预处理

    2021-11-04 11:31:19
    EEG数据预处理: 滤波: 低通滤波去除肌电信号等一些高频信号 常用的是高通滤波去除低于0.1HZ信号 一般为0.1-30HZ 高通滤波容易失真,低通滤波会变得光滑,高通滤波太高会诱导假峰值 带通滤波中间保留,带...
  • EEG电极

    2021-07-27 00:21:28
    参考文献: [1] ...[2] https://blog.csdn.net/weixin_41880581/article/details/104027274 ...[4] https://7988888.xyz/eeg-cap/ [5]https://blog.csdn.net/weixin_41880581/articl...
  • plot_decoding_csp_eeg.py

    2020-01-15 12:00:02
    共空间域滤波是研究脑电运动想象的一个很好用的算法,python中有MNE库提供相关算法的实现,这个程序主要是针对其CSP的示例程序添加了相关注释,也可以...https://blog.csdn.net/zhoudapeng01/article/details/103979381
  • -276- 中国科技信息 2006 年第 23 期 CHINA SCIENCE AND TECHNOLOGY INFORMATION Dec.2006基础及前沿研究 对含有噪声的有用信号进行小波分解,噪声信号主要...同时,EEG 信号为非平稳信号,除了含有非常有用的低频信...
  • EEG-MI 基于EEG信号的运动想象分类实验

    千次阅读 多人点赞 2020-07-01 17:52:53
    https://download.csdn.net/download/qq_45347185/12689981 或者 https://github.com/siyi-wind/machine-learning-course-projects/blob/master/EEG-MI%20classification/Data.zip 参考文献 [1] Brunner C , ...
  • 参考:(133条消息) 使用eeglab代码绘制平均头皮图(任务期间特定频段平均的一张头皮图)_油泼西红柿的博客-CSDN博客https://ddong7.blog.csdn.net/article/details/121799889?spm=1001.2014.3001.5502 ...
  • EEG伪影详解和过滤工具的汇总(二)

    千次阅读 2020-10-10 09:02:19
    点击上面"脑机接口社区"关注我们更多技术干货第一时间送达在《EEG伪影类型详解和过滤工具的汇总(一)》,我们详细介绍了EEG伪影类型和产生原因,这篇文章,我们主要介绍常见...
  • EEG分类】脑电信号提取PSD功率谱密度特征

    万次阅读 多人点赞 2020-06-26 18:00:47
    % Parameters: % eeg_data: [channels, frames] 的 EEG 信号数据 % srate: int, 采样率 % Returns: % eeg_segments: [1, n_features] vector %% 计算各个节律频带的信号功率 [pxx, f] = pwelch(eeg_data, [], [], []...
  • 有效的检测工具 研究小组转向脑电图(EEG),试图了解神经生物学损伤,并找出如何在早期阶段检测它。 脑电图微状态分析技术可以用来测量大脑在休息时的状态,这些状态代表了大脑最基本的功能,反映了大型神经网络的...
  • EEG电极及脑电帽

    2021-07-27 09:49:49
    EEG电极:测量EEG信号的,传导电流信号的电极,由导电性能较好的⾦属制作⽽成 EEG电极物理种类:纯银、氯化银、纯银镀氯化银、纯银镀金 EEG数据采集中的电极: 1.接地电极:通常在放大器电路上有一个虚拟接地电极...
  • EEG资料1

    2021-09-13 19:11:31
    由于EEG信号的分析涉及数字信号处理、概率论、统计学等多个学科的知识,这使得很多EEG初学者望而却步。其实,如果静下心来耐心学习,你会发现“山重水复疑无路,柳暗花明又一村”,EEG的学习也并没有那么难。当然,...
  • EEG源分析思考总结

    2021-01-30 14:43:26
    最近,由于高校的放假,我的工作也算是得以空闲起来,有了时间来看看文献学习知识,我在很久之前也写过关于《eeg源分析的简介》,大致也介绍了源分析所需要的东西,这几天我也一直在读以下两篇文献,今天的内容也是...
  • 点击上面"脑机接口社区"关注我们更多技术干货第一时间送达本文由网友Jon_Snow_Stark授权分享本篇文章是对作者对另一篇文章《基于分类任务的信号(EEG)处理》的扩...
  • 为了与eeglab的GUI读取对应,需要将文件读取成为EEG struct的格式,即可读取成功。 EEG_1 = pop_biosig(file_path); 命令行得到如下结果即为读取成功。 滤波 %% 滤波 EEG_delta = pop_eegfiltnew(EEG_1, 0.5, 4); ...
  • 基于分类任务的信号(EEG)处理

    千次阅读 2020-07-23 09:29:26
    图片来源于网络(来源CSDN用户:yjinyyzyq) 3、提取特征时可以按通道提取,即将32个通道分开进行提取,在这里我们提取频域信号功率谱密度。因为我需要分析delta、theta、alpha、bete四个频带,因此我先对当前处理的...
  • 用到的安装包和代码资料已经整理好了 https://download.csdn.net/download/fzf1996/21484334 介绍python机器学习编程环境 1、编辑器 支持python的编辑器很多了,好多人经常使用pycharm,但激活困难,还有很多了。...
  • 这是《EEG Processing and Feature Wxtraction》的第一个视频资料整理。内容是“脑电数据分析方法与应用实例简介”。 脑电数据分析方法与应用实例简介书本简介脑电技术发展历程脑电技术简介应用实例 书本简介 ...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 578
精华内容 231
关键字:

eeg csdn

友情链接: 图解HTTP 文字版.rar