EEG数据预处理后的分析方法

当我们做完EEG数据预处理后，我们还能做哪些数据方法上的分析？

——来源胡理老师PPT，仅用于学习分享

上图是来自胡老师在一次线上讲课的截图，可以看出对于不论是静息态还是任务态的数据来说，EEG数据预处理是必备的步骤，但后续的分析过程则是可以进行选择的。

第一个：Event-related potentials 又名（ERP）

此分析也是使用EEG设备最常进行的数据分析方法，顾名思义，它是与事件相关的分析方法，

定义：凡是外加一种特定的刺激，作用于感觉系统或脑的某一部位，在给予刺激或者撤销刺激时，在脑区所引起的电位变化

特性：潜伏期恒定，波形恒定；与此相对，自发脑电则是随机变化的。

主要成分：潜伏期：早（10ms以内），中（10到50ms），晚成（50到500ms）。

具体详情介绍可以参考我之前发过的文章《一文了解EEG/ERP的基础知识》

第二个：Spectral analysis（频谱分析）

一般来说，频谱分析是将信号做傅里叶变换从而进行分析的。傅里叶变换算法利用直接测量到的原始信号，以累加方式来计算该信号中不同正弦波信号的频率、振幅和相位。简单一点来说，就是将原始的时域信号通过傅里叶变换转为为频域的信号，来看大脑频带的激活情况，寻找特征值来统计说明其活动状态。

可参考链接：

EEG频谱分析（基于BP — Analyzer2软件）

第三个：Time-frequency analysis(时频分析)

时频分析是在频谱分析的基础上建立的新的分析方法，它不仅包括频域的信息，也能包括随时间变化的信号。时频分析（TF）通过分离大脑不同频率上功率和相位信息，可以更好地表征EEG数据中包含的神经元振荡信息。

可参考链接：

时频分析之小波教程(推荐书籍)

第四个：Blind source separation(盲源分离)

盲源分离（blind source separation，BSS）是在不需要源信号的先验信息或很少信息与混合过程的条件下，对混合信号（观测信号）进行源信号估计的一种方法。常见的分离方法有：主成分分析（principal component analysis，PCA）和独立成分分析（independent component analysis，ICA）。

可参考链接：

独立成分分析（ICA）

第五个：Microstate analysis(微状态分析)

微状态分析（Microstate analysis）是用多通道电极的地形图拓扑结构定义状态的方法。每种微状态会表征不同的头皮空间分布，对不同的微状态过程进行分析能获取不同的EEG信息。

可参考链接：

EEG数据的微状态分析教程

第六个：Source analysis(源分析)

脑电溯源定位，即脑电逆向问题，概括的说就是：根据头表测量电位信号，反演估计脑内神经活动源的位置、方向和强度信息。

可参考链接：

EEG源分析思考总结

第七个：connectivity analysis(连通性分析)

EEG连通性是指包括两个或多个EEG电极点上的信号之间的统计上显著的同步性。通常看到的有两类连接：1）有效连接：这种方法试图确定从一个电极到另一个电极信息传递的因果关系。即，如果一个脑区在时间上先于另一个脑区激活。2）功能连接：这是双向连接，不能确定因果关系。即，两个脑区共享同一个活动，表明这两个脑区是相连的。进行这类分析的也有很多的工具箱可供选择。

可参考链接：

功能连接能使用的工具箱