【脑电绘图教程 1】使用WeBrain EEGPipe分析EEG

已于 2023-10-23 09:20:59 修改
阅读量767 收藏 12
点赞数 5
文章标签： 数据分析 信号处理
于 2023-10-13 13:55:48 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_40735196/article/details/133786616
版权

【脑电绘图教程 1】使用WeBrain EEGPipe分析EEG

WeBrain由电子科技大学生命科学与技术学院尧德中教授团队开发，WeBrain EEGPipe（目前版本v1.0）是基于MATLAB开发编译的WeBrain pipeline免费配套工具（PC版）。该软件整合包含了EEGLAB、FieldTrip等国际主流开源以及REST、ENA等特色自研脑电分析方法工具（功能包括：脑电数据文件整理、质量评估、脑电预处理、零参考转换、功率谱分析、源定位分析、脑电网络分析、微状态分析、统计分析、波形显示等功能），并支持主流厂商的脑电数据格式（BP、ANT、Neuroscan、EGI、博瑞康等厂商），将复杂的脑电等数据分析标准化、流程化，以大力推进脑科学研究规范，使得新学者大大节省“入门”时间。
（WeBrain：https://webrain.uestc.edu.cn/）

本教程主要记录WeBrain EEGPipe用于脑电分析的步骤及绘图方法，最后以bdf文件为例，绘制了脑电平均功率地形图。
在这里插入图片描述

1. WeBrain EEGPipe安装

步骤1：进入WeBrain官方网站（https://webrain.uestc.edu.cn/resources.html）下载EEGPipe

在这里插入图片描述

步骤2：解压下载的压缩包，如图所示

在这里插入图片描述

步骤3：WeBrain EEGPipe (exe 版)基于 MATLAB 2018b 开发，MATLAB runtime R2018a （9.4）上编译。在使用 EEGPipe 前请确定个人电脑上已安装 MATLAB runtime R2018a （9.4）。若未安装，请在 MATLAB runtime 网址下载安装：https://ww2.mathworks.cn/products/compiler/matlab-runtime.html

在这里插入图片描述

步骤4：安装完MATLAB runtime R2018a后，双击WeBrain-EEGPipe-v1.0-20230919.exe打开EEGPipe程序，弹出界面如下，安装完成

在这里插入图片描述

2. WeBrain EEGPipe相较于EEGLab的优势

WeBrain EEGPipe的使用感受相较于EEGLab并没有太大的提升，数据导入、处理、绘图与EEGLab是一样的。WeBrain EEGPipe的核心功能在于Pipelines，相当于使用了一套成熟的预处理、ICA、功率计算流程，省去了自己使用EEGLab函数编写脚本的工作。且WeBrain EEGPipe支持批量处理，十分省事。但是WeBrain EEGPipe提供的绘图功能比较少，只有曲线图、topomap、ERP、微状态和脑网络，在自己分析的时候已经够用，发表科研期刊时，可能还需要用到其他绘图工具。

由于WeBrain EEGPipe存在很多EEGLab已有功能，这些功能可能使用EEGLab更方便，因此下面只介绍PipeLines批量处理功能以及·处理后如何进行绘图。

3. 使用WeBrain EEGPipe进行批量处理

WeBrain EEGPipe的批量处理功能在Pipelines下，该功能与其他功能是独立开来的，不需要先导入数据集，直接打开软件就能使用。
Pipelines 提供多个处理方法，列表上依次为ICA、预处理、带参考电极的预处理、功率计算、脑网络连接计算、脑网络属性计算、微状态计算、复杂度计算、ERP计算、时频分析、使用标准BEM计算场矩阵、源定位。接下来以预处理和计算功率谱为例，来说明Pipelines的具体使用流程。

在这里插入图片描述

3.1 Pipelines的使用流程

Pipelines的使用流程大致如下：

  1. 制作“input”文件夹：将需要进行处理的一批数据，放到这个文件夹下，每个数据必须为.zip，类似sub1.zip，Pipelines 会自动读取zip里的数据。
  2. 选择“output"文件夹：该文件夹会存储Pipelines处理后的结果，一般是在原来文件基础上加上后缀，预处理的结果为zip，其他的为.mat数据，如sub1.zip预处理后为sub1_prepro.zip，计算功率后为sub1_CalcPower.mat。
  3. 设置参数：每个参数的具体设置，需要参考《EEGPipe-v1.0操作手册中文简版》，该文件在WeBrain EEGPipe的压缩包里。
  4. 开始处理：完成所有设置后，点击”OK“开始处理。

3.2 使用Pipelines进行预处理

接下来说明如何使用Pipelines进行预处理，我这里使用博睿康脑电采集的bdf文件。首先展示处理结果：

预处理前的脑电信号

在这里插入图片描述
预处理后的脑电信号
在这里插入图片描述
具体操作步骤如下：

  1. 将原始数据一个一个打包为zip文件，建立一个”input“文件夹（命名无所谓的，只是我习惯命名为"input"）。这里我打包了两个zip，每个zip里包含1个bdf数据。

在这里插入图片描述
在这里插入图片描述

  1. 点击Pipelines->WB_EEG_prepro_v1.0，弹出窗口如下

在这里插入图片描述

  1. 选择好输入、输出文件夹，设置完参数后，如下图所示

在这里插入图片描述

  1. 点击“OK”进行处理，等待一段时间，显示“Finished”，则已经完成。此时在输出文件夹可以看到结果。

处理中：
在这里插入图片描述
处理完成：
在这里插入图片描述
打开输出文件夹：
在这里插入图片描述

  1. 将结果导入WeBrain EEGPipe即可查看

导入处理后的zip数据
在这里插入图片描述

使用EEG Plot绘图功能
在这里插入图片描述
显示预处理后的脑电信号
在这里插入图片描述

3.3 使用Pipelines进行功率计算

步骤与3.2十分相似，不过可以选择预处理后的zip进行功率计算。计算后的结果如下图所示，为.mat文件
在这里插入图片描述
使用WeBrain EEGPipe绘制地形图的功能，显示处理结果，一共有四个图，分别是绝对功率图、相对功率图、平均功率图、各导联的功率谱
在这里插入图片描述

  1. 绝对功率图
    在这里插入图片描述
  2. 相对功率图

在这里插入图片描述
3. 平均功率图
在这里插入图片描述
4. 各导联的功率谱
在这里插入图片描述

若彼扶桑
关注
  • 5
    点赞
  • 踩
  • 12
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
如何基于Nilearn绘制绘制脑网络图（一）？绘制功能连接、结构连接可视化
qq_38941890的博客
06-26 2194
只需要导入自己的网络连接数据、节点位置信息即可通过nilearn中的plotting.plot_connectome()函数绘制脑网络连接图；
脑电数据批量绘图算法v3.0.zip
01-04
#3.0版本#调用eeglab批量读取excel文件中的脑电数据并绘制脑电拓扑图，算法可以根据用户输入读取指定列的特征，指定列的数据，并将数据特征映射到图片保存的文件名中
【补充：脑电绘图教程 2】如何手动去除ICA伪迹分量
qq_40735196的博客
10-18 1196
ICA可以将脑电信号分解为多个IC分量，由每个分量的平均功率地形图可以看出哪些分量属于伪迹，去除伪迹分量后，即可得到“干净”的脑电信号。本教程主要总结如何人工识别出ICA伪迹分量，不涉及ICA的原理讲解。本教程的主要知识来源是ICLabel官网ICLabel致力于自动识别IC分量属于哪种伪迹，并标记伪迹占比，可以在eeglabel中很方便地使用。ICLabel给出了几种常见伪迹的特点，本教程主要是根据ICLabel给出伪迹特点，对自己的数据集手动去除伪迹，以更深入了解自己数据集的质量和伪迹特点。
【附源码】JAVA计算机毕业设计云脑平台WeBrain论坛及服务单系统（springboot+mysql+开题+论文）
杰简程序毕设
03-28 553
同时，随着互联网的普及和移动互联网的快速发展，人们对在线交流和服务的需求也日益增长，这为WeBrain云脑平台的发展提供了广阔的市场空间。同时，通过单元测试、集成测试等方式，对系统进行全面的测试，确保系统的质量和可靠性。通过制定详细的运维计划和应急预案，确保系统的稳定运行和及时响应。首先，针对用户体验的优化问题，我们将通过改进界面设计、优化操作流程等方式，提升用户在使用平台时的便捷性和舒适感。其次，针对数据安全和隐私保护问题，我们将采用先进的加密技术和数据备份策略，确保用户信息和服务数据的安全存储和传输。
matlab根据.mat文件绘制绘制多个子图、多条曲线
java_pythons的博客
10-04 642
【代码】matlab根据.mat文件绘制绘制多个子图、多条曲线。
EEG&CNN深度学习神经网络前置：处理EEG脑电信号生成时频图dataset
SashiMoore的博客
03-11 3837
在这这一篇博客中，将尝试使用EEG信号，主要使用plt.specgram()函数来生成脑电信号的时频图dataset，为接下来使用神经网络进行深度学习做准备。
手风琴轮播图，带有注释和实现思路
07-10
在本教程中，我们将深入探讨如何使用JavaScript实现一个带有注释和清晰实现思路的手风琴轮播图。 首先，我们需要理解手风琴轮播图的基本结构。通常，它由一系列可折叠的容器组成，每个容器内包含待显示的内容。在...
canvas生成图片 将输入框的文字生成一张图片 生成祝福和签名 并保存到本地相册图库
06-07
再创建2D渲染上下文，用于在画布上绘图。 ```javascript var canvas = document.getElementById('canvas'); var ctx = canvas.getContext('2d'); // 设置画布尺寸 canvas.width = 800; canvas.height = 600; ``` ...
使用MATLAB的EEGLAB和BCT工具箱画脑网络连接图
热门推荐
神话爵爷的博客
03-17 1万+
使用MATLAB的EEGLAB和BCT工具箱画脑网络连接图一、EEGLAB工具箱插件-FCLAB，以及BCT工具箱1.1 FCLAB插件及BCT工具箱下载链接1.2 使用GUI界面操作 一、EEGLAB工具箱插件-FCLAB，以及BCT工具箱 1.1 FCLAB插件及BCT工具箱下载链接 FCLAB插件下载链接：https://github.com/ramsys28/FCLAB BCT工具箱下载链...
matlab脑电图绘画：2D头皮电位拓扑图和3D皮质层拓扑图
m0_58134168的博客
07-05 5242
今天刚好又再等实验数据，那我就来分享一下最近写论文所涉及到画图的知识好啦！ 1. 本文涉及的背景： a. 针对脑电正问题模型，设置电偶极子强度计算了头皮电位，为了直观显示绘制了2D的头皮电位拓扑图； b. 分别激活不同偶极子，分析各偶极子引起头皮电位差的整体情况，分别计算了RDM（相对差异度）和MAG（放大系数），为了直观显示各电偶极子对RDM和MAG的影响情况，需要绘制3D皮层拓扑图。这个不知道大家是否能理解，如果不能理解那就只需要关注一句话，就是绘制了3D皮层拓扑图...
EEG 数据绘图 - α、β、δ 和 theta 的功率谱、频谱图、频谱：脑电图 (EEG) 使用连接到头皮的电极检测大脑中的电活动。-matlab开发
05-30
此提交包含绘制 EEG 数据、使用 FFT 和 Pwelch 方法的功率谱、FDA 工具箱 - Alpha、Beta、Theta 和 Delta 的频谱图、频谱的练习问题。 参考： [ ] John L.Semmlow。 生物信号和医学图像处理。 第二版，CRC 出版社，2009
EEG脑地形图绘制程序
04-10
脑地形图绘制------将各个通道的能量值以地形图形式绘制      绘制脑地形图需要两个文件bp1.txt和topoplotEEG.m文件， 首先打开bp1.txt文档，将里面的通道重新手动排序为与 当前输入信号x_sign矩阵中的每列对应的哪一个通道顺序一致（不使用的通道有两种方法①在x_sign矩阵中将不使用通道赋值为0；或者②在bp1.txt中将不使用的通道删除）
脑电波形图
12-17
根据设备上传的数据，实时画出波形图。程序是C#编写。
想学脑电，没有数据为什么不看这里？
u011661076的博客
11-24 2986
James Booth教授曾在一次访谈中说过：“我们希望人们能利用这些数据并重现我们多年来的一些成果。同时，能将我们的部分研究扩展到新的方向上。如果使用旧数据就能回答一个值得探究的问题，为什么还需要收集新数据呢？有一部分我们分享的数据还尚未被研究，因此可供大家去大胆探索。” 可能你也想去探索，但是苦于没有合适的数据拿来分析而倍感无奈。在这里，本文为大家整理了一些开放的数据集，仅供学术交流使用。注：茗创科技为大家提供百度云免会员极速下载链接，需要相关数据集的小伙伴可以私信MCKJ-zhouyi或173731
Python-EEG工具库MNE中文教程(13)-“bad“通道介绍
脑机接口社区
12-25 3169
目录标记坏频道/标记不良通道(marking bad channels) 本分享为脑机学习者Rose整理发表于公众号：脑机接口社区(微信号：Brain_Computer).QQ交流群：903290195 本教程主要介绍手动标记坏通道以及基于其他传感器的好信号重建"bad"通道。 导入工具库 import os from copy import deepcopy import numpy as n...
Python 中 MNE 读取EEG竞赛数据绘图和提取epoch（gdf格式）
zhoudapeng01的专栏
01-08 7289
上一篇文章中介绍了研究读取gdf格式数据的心路历程，绕了半天竟然直接操作就可以。本来以为会很容易，毕竟数据都已经成功读入了，可是我又错了，弄了好久读取的数据绘图都不对（打印看数据是对的），感觉是mne的一个bug，在Github上提issue可是网络不给力，图片死活传不上，最后给开发团队发了封邮件，也不知道能不能回我。。。。好在经过不懈努力，试了多种方法，总算有一种方法可以成功绘制数据图像了。 ...
脑网络分析软件Gretna操作--Network Analysis
云端浅蓝
10-25 1万+
分析网络的各项属性 选项从上至下包括网络小世界属性,网络传输效率,富人俱乐部,网络同配性,同步性以及层级性 进入界面后在左下方可以添加想要分析的各项属性 从上至下依次为节点聚类系数,最短路径长度,节点效率,节点局部效率,中心度,介数中心性,社团指数,参与系数. 有两种模块化算法可供选择: 1.贪心算法 2.谱优化算法 ...
matlab绘制脑电地形图,脑电地形图的原理及其结果
weixin_34697798的博客
03-20 4436
脑电地形图( brain electrical activity mapping, BEAM) 是将脑电信号输人电子计算机进行处理后转换为一种可定位和定量性分析，并用不同颜色的图像显示的检查技术。其优点是可将脑功能变化与形态定位结合， 图像直观、形象、定位较准确，但不能反映脑电波形及各种波形出现方式等，因此不能取代脑电图。(1) BEAM的 原 理 是 将 EEG机放大后的脑电信号，再次输人到计算...
Python使用matplotlib+mne绘制脑电图像
CoolCoolCarrot的博客
12-12 4671
效果图如下： 实现代码如下： import mne import numpy as np import matplotlib.pyploy as plt import mpl_toolkits.axisartist as axisartist from matplotlib import MultipleLocator #从edf文件读取脑电数据 raw = mne.io.re...
大数据环境下的房地产数据分析与预测研究的设计与实现
最新发布
weixin_49081159的博客
07-16 1842
其中，number_1代表数据总条数，max_2表示最高单价的房屋信息，mean_3为平均单价，max_4为最高总价的房屋信息，index_5和values_5分别为每个区域的平均房屋单价的降序排列的索引和值，index_6和values_6为部分市区的平均总价的索引和值，number_7为单价分区占比，list_9_1和list_9_2为不同户型的名称和数量，max_8和min_8为单价最高和最低的房屋信息。回顾研究目标和方法，总结研究成果和创新点，探讨存在的问题和改进的空间，并展望未来的发展方向。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值