matlab脑电处理个人经验

matlab脑电处理个人经验

别人的贴子，第一讲的脑电预处理各部分原理。
脑电预处理原理
二是使用eeglab进行一的各项处理
eeglab操作

原理

基本步骤

定位通道位置
删除无用通道
滤波
分段
基线校正
重参考
降低采样率
插值坏导
独立主成分分析
剔除坏段

EEG data

首先要认识脑电数据是什么样子。我们采集到的原始信号，是一系列随着时间变化而不断变化的曲线，如下图所示，这是一个8个通道的示例数据，一共有两种mark类型，分别为S1跟S2。
mark，或者event，或者trigger，其实表示的都是同一个意思，即在我们关注的事件发生时，打上一个我们认得出的标记，这样子就可以从我们收集到的一长段数据中，找到我们感兴趣的事件范围了。

EEG示例数据

定位通道数据

首先我们将EEG数据加载进eeglab之后，eeglab能够读取到的仅仅是每一个通道的名称和数值，但是它并不知道这个通道是位于头皮上的什么地方，因此我们需要加载进一个跟记录数据时相匹配的通道位置信息

eeglab中默认的文件是 standard-10-5-cap385，指的是按照国际10-5系统排布的一共有385个电极点信息的模板，一般来说使用这个模板就可以了。
关于模板的更多信息还可以看这里脑电定位系统

删除无用数据

在采集数据的过程中，有可能会记录一些后期并不需要用到的通道信息，这时候我们就可以将它们剔除掉，不必纳入后续的分析中。
比如双侧乳突点。
又比如眼电通道的数据。在使用eeglab来对数据进行预处理的时候，可以通过ICA的方式来去除眼电成分，而这种方式可以不需要眼电通道数据的参与就可以进行。

滤波

滤波分为高通滤波，低通滤波，带通滤波和凹陷滤波。
高通滤波是指，高于某个频率的信号可以通过，而低于这个频率的信号会被衰减过滤掉。而低通滤波则相反，指的是低于某个频率的信号可以通过，而高于这个频率的信号则相反。所以，在输入数值的时候，高通滤波要输入的是一个较小的数字，而低通滤波则是输入一个较大的数字。这可能跟我们的第一反应有点相悖。因此，也可以用它们的英文叫法来辨别，高通high-pass，低通low-pass，英文看起来就更为直观了。
而带通滤波，指的是在某个频率段范围内的信号可以通过，而这个频率段范围以外的信号会被衰减过滤掉，就相当于同时做了高通滤波和低通滤波。
凹陷滤波，指的是在某个频率范围内的信号会被衰减过滤掉，而这个频率范围以外的信号会被保留下来。这个操作通常是用来去除50Hz市电的干扰。我国的50Hz，因此在收集到的信号中，会有一个非常强烈的50Hz频段的信号存在，这就可以用凹陷滤波来去掉。
值得注意的是，滤波并不能完全过滤出我们想要的频段。比如30Hz的低通滤波，并不是说30Hz以外的信号就通通被过滤掉了，而是以30Hz为截止频率，高于这个截止频率的信号会被逐渐衰减。
如下图所示，横轴为频率，纵轴为增益系数，在截止频率f的左边，最开始的增益系数皆为1，指的是信号乘以1，被完整保留下来，而在接近截止频率的一定范围内，增益系数开始逐渐下降，直到我们的截止频率f处，增益系数正好是0.5，指的是经过了截止频率为f的低通滤波之后，f这个频段的数据有50%被过滤，而50%被保留下来。随后增益系数再逐渐下降，信号被逐渐衰减，直至接近于0。
因此，我们有时候会看到数据在做了30Hz的低通滤波之后，还会再做一个50Hz的凹陷滤波，就是因为，并不是做了30Hz的低通滤波就能够完全把30Hz以上的信号全部过滤掉，而50Hz的干扰又是非常强的，所以最好还是再做一个50Hz的凹陷滤波。

低通滤波器

分段

我们的数据是从实验开始到实验结束时全程记录的，但是我们感兴趣的，只是被试在接受到某个刺激，或者做出某个反应时那段事件的信号，因此，我们要根据我们打上的mark，讲数据切分成一段一段的，而在这些范围以外的数据，我们就不要了。
一般的ERP分段在事件前200毫秒到事件后1000毫秒这个时间段就足够了，因为几乎所有的ERP成分，都是在1秒以内产生的。但是如果后期还要做时频分析的话，则需要将分段时间拉长，扩大到事件前1秒到事件后2秒这个时间段内，因为时频分析的算法，要求数据要有一定的长度。

基线校正

在ERP实验中，我们关心的是这个刺激事件带给被试什么样的变化，因此需要有一个比较。而在事件发生之前的时间里，我们认为被试是处于一个相对平静的状态，此时的脑电活动，代表了一个平静状态下的脑电活动。所以我们将这段时间内的脑电活动当成一个基线，拿事件发生之后的活动去跟它做比较，来分辨刺激事件到底让被试产生了什么样的活动。
一般来说，都是以分段中，事件之前这段时间来作为基线的，比如分段为-200毫秒到1000毫秒，那就将所有的数据，减去前200毫米以内数据的均值。换言之，，就是将这前200毫秒以内的数据均值当成是“海平面”，所有其他的数据的数值，都是相对于这个“海平面”数据的高度。
基线校正的第二个作用，防止数据漂移带来的影响。有时候因为某些原因，我们采集到的数据，会呈现一个逐渐缓慢向上漂移的趋势，而在分完段之后，由于向上飘的影响，每一段数据的起点将不在同一个地方，也会使得这段数据的绝对波幅变高。而基线校正就可以校正这种漂移带来的影响，让每一段数据都拥有一个差不多的起点。

重参考

首先要解释的是参考的定义。我们看到采集之后的数据是一个个的数值，但这个数值是什么意思呢，就是电极所在位置跟参考电极之间的电位差。
一般在脑电记录的时候会采用的参考电极有鼻尖参考，cz或头顶中央参考，还有单侧乳突参考，乳突就是耳朵后面一小块突起的区域。我们所看到的每个通道的数值，其实就是指这个通道跟参考通道之间的电位差。
在分析数据的时候，有时候我们会想要转换参考点的位置。因为不同位置的参考，会对数据造成一定的影响。比如记录时采用的是cz或头顶中央参考，那么自然地，距离cz点较近的电极点，记录到的电位差会非常小，而离得远的电极记录到的电位差就自然会大一点，这种大与小的差异，并不是由认知活动产生的，而是由记录方式产生的。又比如，单侧乳突参考，那脑袋左边的电极点跟右边的电极点，也会存在着记录方式不同产生的电位差不同。
常用的一些参考位置有双侧乳突平均参考，指将两个乳突数据的平均值作为参考数据，或者是全脑平均参考，指的是将全脑所有数据的均值作为参考数据的方法，不过使用全脑平均参考的时候要注意，眼电数据不要纳入其中，因为眼电数据的波动起伏非常大，很容易对数据造成比较大的干扰。

降低采样率

采样率的单位是Hz，指的是一秒内要记录多少个数据点的意思，比如原始数据的采样率是1000Hz的话，就是代表一秒内有1000个数据点。
在后期分析的时候，我们有时候会想要降低采样率，比如降到500Hz或者250Hz。这样做最大的好处其实就是减小数据量，以提高计算速度，没有其他的作用了。所以这一步并不是必须的。
但降低采样率需要注意两点，一是降低采样率要在滤波之后。因为降低采样率会使我们丢失高频信息，使高频信息变得扭曲，所以最好在保留了我们感兴趣波段之后再去降低采样率，这样可以保证信号最大程度不会失真。二是有一个采样定理，理论上来说，我们的采样率必须是我们想要分析的波段的两倍，比如我们想要分析60Hz的波，那数据采样率为120Hz就足够了。实际上，建议采样率最好在分析波段的三到四倍。

插值坏导

在做完上述这些处理之后，可以保存一下数据。因为在这之前的操作，是每个被试都需要做的基础操作，后期我们可以通过代码来实现批处理。而在这之后的操作，是需要根据每个被试的具体情况具体分析去处理的，因此只能一个个做，不能进行批处理。
从这一步开始可以说是真正的去除伪迹的过程了。去伪迹大体分为两种，横向操作和纵向操作，横向即对通道进行校正操作，对数据不好的导联进行插值处理，纵向是指挑出数据不好的trials，删除掉。建议是先横向处理后再纵向剔除，尽量保留下更多的trials数。
EEGLAB中插值坏导有两种方式，一种是以某通道周围几个通道的数据的平均值，来替代这个通道的数据，这种直接通过代码实现即可。另外一种是EEGLAB里内置的一种算法实现，具体换算是什么过程我也不太清楚，但是我问过贾会宾老师，他是推荐使用第二种方法。原因在于，我们记录的是头皮脑电，头是一个球体，因此直接用周围数据的均值来代替这种方法有点粗糙，而EEGLAB内置的方法则会考虑到容积传导效应，以及近的点和远的点贡献的权重不同来进行插值，因此会更加有效。

独立主成分分析

这是一个很有用但也很难的方法，我并不是十分清楚它的原理，只能大概理解，也只能大概描述一下。前面说过，我们记录到的是头皮脑电，脑电帽上划出了一个个的点来表示位置，但是我们在FPz点记录到的数据，就真的是FPz点这个位置头皮下方的区域所产生的电活动？不一定。 做过实验的都知道，眨眼会产生影响，左右看会产生影响，帽子戴得太紧导致肌肉紧张也会产生影响，还有左右的FP1，FP2处产生的电活动也会影响到FPz，甚至在离它最远的Oz点下方产生的电活动，也有可能对前方FPz点产生微弱的影响。因为真正的电活动产生于头皮下方颅骨内部，它经过了这么一层又一层的传播之后，不同源的电活动肯定会相互影响，从而导致某个记录点记录到的数据，混合了很多不同成分的电活动。而独立主成分分析，就是要对记录点的数据做一个逆运算，把每个记录点的数据， 分解成一个又一个的成分组成。然后我们再从中剔除掉伪迹成分，比如眨眼的成分，肌肉紧张的成分等，从而得到一个相对干净的数据。
至于如何识别各种伪迹成分，可以看这篇文章 如何识别ICA成分

剔除坏段

预处理到了这一步，已经接近于完成了。最后一个步骤就是要剔除掉波幅超过100微幅的trial(要求严格一点也可以定位80)，因为波幅起伏这么大的活动，已经不是由认知活动引起的了，肯定是由于其他的动作引起的，所以可以直接剔除掉。
这一步操作一定要在插值坏导和ICA去除眼电成分之后再做，因为有可能被试眨眼比较频繁，那这么操作下来，有可能就需要删掉接近一半的trials数了，删掉的trials数太多，这个数据也就废了。所以要将它留到最后一步才做，同时，这个操作也能用来检查我们前两步操作是否足够有效。

作者：亚内士多德
链接：https://www.jianshu.com/p/791c3651e9ad
来源：简书
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

操作

脑电数据预处理

下载软件

需要用到的是matlab和eeglab。这篇文章中使用的版本是matlab2013+eeglab13。现在我 主要用的是eeglab14。个人建议，刚开始学习的朋友，使用这个版本的就足够了。放一个我自己现在用的eeglab的下载链接。想要的朋友可以自取。
链接：https://pan.baidu.com/s/1gwVeeEdYnY-l1w2kHY6inA
提取码：0nnf

导入数据

选择要导入的数据格式

接下来会弹出一个对话框，是否要对数据进行选择性导入，一般都是全部导入，直接点OK即可

接下来又会再弹出一个对话框，是否要对数据进行命名。基本上在EEGLAB的每一步操作之后都会弹出这样的对话框，询问你是否需要对新产生的数据进行命名，根据自己需要选择即可。

对数据进行初步认识

• channel per frame： 64 指导入的数据有64个通道
• frames per epoch： 一段数据的总长度，是439880采样点
• epochs：指当前数据的段数，原始数据还没有进行分段，因此显示只有一段
• events：检测到当前数据一共有202个events
• sampling rate（HZ）：数据的采样率为1000HZ
• epoch start和epoch end: 这个的分段是从0秒开始，到439.879秒结束。还没有进行分段所以看这个数值没有意义
• reference: 指数据的参考点，重参考后会显示重参考的电极点，或者average，目前还没有进行重参考所以是unknown
• channel locations：是否有对通道进行定位，目前显示没有，定位后会显示为yes
• ICA weights：是否对数据进行了ICA独立主成分分析，分析后会显示yes
• dataset size：数据的大小

电极定位

默认文件是standard-10-5-cap385.elp，点击确定即可

点击OK之后可以进入下一步查看数据

如果检查到某个电极点的坐标信息为空白（如上图所示），可能是该通道的名称在加载的模板文件中找不到，那么

• 如果确定该通道是根据国际排布系统来确定的，那可以修改label名称后再点击下方的look up
  locs来更新通道位置信息，比如上图的VEO改为VEOG，然后更新位置信息之后就可以看到了
• 如果不是国际排布系统，可以向厂家要电极的坐标位置信息
• 如果知道该电极点的精确坐标，可以手动输入
• 双侧乳突的电极点位置可能会根据脑电系统的不同而不同，比如TP9 TP10,A1 A2, M1 M2这三对都是指双侧乳突

移除无用电极

此处我们要移除掉两个眼电数据

重参考

此处要将数据转换为双侧乳突平均参考，即TP9，TP10

重采样

不一定每个数据都需要进行重采样，可根据需要进行

7. 滤波
此处选择默认的滤波器进行0.1-30Hz的滤波

依次在第一框中填入0.1和第二个框中填入30进行计算，两个一起填代表进行带通滤波，建议分开进行

8. 分段和基线校正

点击OK后会弹出下一个要求基线校正的对话框，默认是event前的数据作为基线来进行校正，点击OK即可

插值坏导

对数据进行检查，如果发现某个通道的数据坏了，可以用插值的方式来进行校正
此处要校正的通道为FC3，选择插值的通道为它周围的四个电极点，F3,FC1,C3,FC5

• 第一种方法是代码操作

EEG.data(a,:,:) = mean(EEG.data([b c d],:,:)) ; 

其中a代表坏掉的电极点数值，b c d 代表要进行插值平均的电极点数值
如果不确定通道数值是多少，可以通过Plot - channel locations - by name 来进行查看
画出通道图之后，可以通过单击通道名字来查看通道数值

所以这句代码为

EEG.data(17,:,:) = mean(EEG.data([8 18 26 16],:,:)) ; 

这句代码的意思是指，第17个通道的数值，用第8，18，26，16这四个通道数值的平均值来代替

• 第二种方法是面板操作，用eeglab的默认算法进行

ICA

使用ICA算法剔除伪迹，此步操作耗时较长

因为我们有一个坏通道的数据是用其他通道的数据生成的，相当于我们损失了一个有效通道数据，而ICA默认是在所有通道都是有效数据的情况下进行的，所以此处我们需要进行一些修改，在’extended’, 1后面加上’pca’, 59，中间用逗号和空格隔开，逗号要用英文输入法下的

点击确定之后会出现一个对话框，显示正在进行ICA计算，计算结束后该对话框会消失

在跑完ICA之后建议保存当前数据，在进行伪迹剔除操作。这样做可以保证在剔除不当的时候随时回到未剔除的状态下重新进行选择。
此时会保存为eeglab的.set的格式文件

在跑完ICA之后就可以用ICA进行伪迹剔除了

选择要画出的成分数，此处我们选择默认状态

eeglab提示我们一张画布只能画下35个图，剩下的会在第二张画布中画出，点击OK即可

此时我们可以对所有的ICA成分进行查看和标记，点击成分数字，会出现该成分的详细情况。如果觉得该成分代表伪迹成分，想要剔除的话，可以先将它标记起来。标记的方式是单机下方绿色的ACCEPT,单击之后会变成红色的REJECT

这一步需要对每一个成分进行查看和判断，然后将想要剔除的成分先标记起来。ICA可以进行眼电伪迹，肌电伪迹，坏导伪迹以及心电伪迹等的辨识与剔除，但是此处我们只进行眼电伪迹的剔除，我们将第一个成分和第13个成分标记起来，标记了的成分数会变成红色。然后点OK。此时还没有进行剔除操作。

除了上面那种方式之外，还可以使用逐个成分画出的方式来查看和标记

剔除ICA成分

eeglab默认两个框都是一样的信息，此时记得把第二个框的信息给清除掉

在接下来的对话框里，我们可以对剔除了ICA成分和未剔除的数据进行比较

红色代表未剔除的数据，蓝色代表剔除后的数据

从红色框中的部分可以看到，我们还是很有效地剔除了眼动伪迹的

检查确认无误后点击accept进行剔除操作

剔除坏段

• 绝对阈值法

此处我们选择剔除掉超出±100μV的trial。

• 目视检查法

逐个trial进行查看，如果发现有伪迹过大的trial想要剔除的话，单击该trial，它会变成黄色。选择完所有trials后，点击下方的reject即可。此处选中的两个trials仅仅作为演示用。

保存数据

至此EEG数据的预处理就基本完成了，我们可以再次将这个数据保存起来，以供下一步操作。