脑电信号的预处理及数据分析要点-EEG Processing and Feature 3

已于 2022-09-21 09:58:25 修改
阅读量2.9k 收藏 70
点赞数 10
分类专栏： BCI 文章标签： EEG
于 2021-10-14 22:49:21 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_41990294/article/details/120745230
版权

这是《EEG Processing and Feature Extraction》的第三个视频资料整理。内容是“脑电信号的预处理及数据分析要点”。

视频地址：https://www.bilibili.com/video/BV1Sg411775g/?spm_id_from=333.337.search-card.all.click&vd_source=9ddbbbcbfdb81f60495d541b75a93179

脑电信号的预处理及数据分析要点

在这里插入图片描述

1 EEG

1.1 脑电

在这里插入图片描述
在这里插入图片描述

1.2 脑电采集系统（EEG recording system）

在这里插入图片描述
在这里插入图片描述

1.3 电极放置（Elctrode placement）

在这里插入图片描述
在这里插入图片描述

2 伪迹（Artifacts）

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

2.1 生理伪迹（Physiological artifacts)

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

2.2 非生理伪迹（non-phsiological artifacts)

在这里插入图片描述
在这里插入图片描述

2.3 如何减轻伪迹干扰效应

在这里插入图片描述

3 EEG预处理（EEG Preprocessing）

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

3.1 滤波(Filtering）

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

3.2 重参考(Re-reference）

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

3.3 分段和基线校正

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

3.4 坏段剔除(Removal of bad epochs）

在这里插入图片描述

3.5 坏导剔除/插值

在这里插入图片描述

3.6 独立成分分析(ICA)

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

4 事件相关电位(ERPs）

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

4.1 如何获取ERPs

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

4.2 ERP研究应该报告些什么？

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

4.3 如何呈现ERPs结果？

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

5 小结

在这里插入图片描述
在这里插入图片描述

梁小憨憨
关注
  • 10
    点赞
  • 踩
  • 70
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
脑电信号预处理滤波matlab代码-EEG_pipeline_MATLAB:基于eeglab代码构建的最新EEG预处理管道
06-12
脑电信号基础matlab代码设置管道： 该管道旨在使用 EEGLAB 预处理标准 10-20 EEG 数据（可以从各种数据采集系统收集）。 此存储库中包含最新版本的 EEGLAB，因此无需从网络下载任何内容。 要使用此管道，您必须安装 ...
用matlab生成谐波代码-EEG-Signal-processing-:Matlab中的脑电信号预处理和分类
05-21
Matlab中的EEG信号预处理和分类。 开发该代码是为了分析EEG信号在抓握和提起任务中区分丝绸，麂皮和砂纸的表面纹理的能力。 此代码中使用的数据是Luciw et.al.（）生成的数据。 作者提供了一个函数WEEG_...
脑电信号分类问题的数据预处理方法
weixin_44603934的博客
12-07 3866
脑电信号分类问题的数据预处理方法
脑电信号处理与特征提取——4.脑电信号的预处理及数据分析要点（彭微微）
m0_58086930的博客
07-24 5010
脑电信号处理与特征提取、脑电信号的预处理及数据分析要点
脑电信号重参考，基线校正，带通滤波
最新发布
m0_51191082的博客
03-23 899
假设在某个特定的时间点，Channel 1的电位值是1微伏，Channel 2的电位值是2微伏，Channel 3的电位值是3微伏。对脑电信号（EEG）进行平均参考处理时，基本思路是将所有EEG通道的信号进行平均，并将这个平均值用作一个新的参考点。此外，平均参考处理通常是通过专门的软件库（如MNE）来实现的，这些库提供了更高级的功能和算法来优化处理过程。假设我们有三个EEG通道（Channel 1, Channel 2, Channel 3），每个通道在不同的时间点记录了一系列的电位值。
EEG脑电研究经典教材推荐
悦影科技
05-29 533
我们公众号之前曾经推送过类似的推文，但当时推荐的书籍不是很全面，另一方面笔者最近又看了不少经典的脑电书籍，因此在这里就重新做一个梳理，把一些经典的EEG脑电方面的教材推荐给大家，希望对EEG领域的同学和研究者有所帮助。 注：以下介绍的EEG教材，基本都有电子版的资料，需要的朋友可以转发本文到朋友圈，截图发送“脑之说”公众号后台，小编会在24小时内发送下载链接。所有资料仅限于个人学习，禁止商用。 1.《Analyzing Neural Time Series Data-Theory and Practice》
【脑电信号处理与特征提取】P6-张治国：频谱分析和时频分析
m0_51474171的博客
01-31 1774
下面是一个模拟信号的时域波形和频域变换的例子： 下面是一个真实脑电信号的时域波形和频域变换： 比如下面的红色波形，可以看做六个蓝色波形的组合。 这六个蓝色波形都有自己的频率和幅值，从侧面看，便可以得到信号在频率域上的变化。 因此，时间序列信号就可以表示为一系列余弦函数的总和。 周期法有一个缺点是方差过大，使用Welch法可以解决这个问题，步骤如下：那上面进行Welch频谱估计等睡眠脑电举例进行特征提取，可以将得到的频谱图划分为多个频段，再将每一段频谱计算一个平均值。 频谱分析的假设：脑电信号的频谱
eeglab脑电数据预处理：step by step
u011661076的博客
03-24 1万+
文章来源于微信公众号（茗创科技），欢迎有兴趣的朋友搜索关注。 学脑电的小伙伴对matlab软件和eeglab插件一定不会陌生，它们是脑电数据分析过程中的重要法宝。在对脑电数据进行分析处理之前需要先安装matlab，在matlab中调用eeglab插件。在收集脑电数据的过程中，我们收集到的数据不可避免的会受到一些干扰，但是我们在进行分析之前需要相对干净的数据，所以脑电数据处理过程中最重要的一步就是对数据进行预处理。预处理做得好，能够帮助我们有效地提高脑电数据的信噪比哦。 以下是关于脑电数...
01-认识脑电信号及相关信号的预处理过程
脑机交流者的博客
01-30 6705
脑电信号处理过程脑电实验为什么要预处理预处理方法降采样如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 脑电实验 本博客主要是记录基于脑电信号的情绪识别方法的研究...
脑电信号预处理滤波matlab代码-Elektro-Pipe:电子脑电图数据处理管道的代码集合
06-12
脑电信号基础matlab代码电管 用于脑电图 (EEG) 数据处理管道的代码集合。 这些工具实际上并不包含任何新的信号处理工具。 它们只是为了在处理大量数据集时让您的生活更轻松。 尽管该管道包括用于计算大平均 ERP、小...
脑电信号分析python代码（python_eeg_analysis）.zip
09-23
脑电信息，分析，处理与采集的python代码，启动代码，配置文件等等。
心电信号脑电信号数据
05-07
本人采集的心电信号、脑电信号数据，特别适合用来做数字信号处理……
matlab脑电功率谱代码-EEG-processing:脑电数据的批处理
05-28
2015b批处理EEG数据的脚本，位于batch_processing 在hacked_recorder下找到的适用于Matlab 2007b的EEG recorder_v4.2 hacked_recorder被黑客攻击版本 在neurofeedback_applet下找到向参与者提供神经反馈的小程序 ...
MindBigData脑电信号数据处理by小波变换（附代码）
qq_44725872的博客
01-21 1515
MindBigData是公开的脑电信号数据集之一，本文会使用python语言提取其中的数据，使用小波变换进行去噪，最后使用支持向量机进行粗糙分类。因为在CSDN上尚未检索到该数据库的详细介绍和使用方法，所以本文着重介绍这些和展示相关代码。
EEG脑电数据预处理
weixin_43434281的博客
11-04 2633
预处理 电极放置：在10-20的基础上，在10%的位置上进行电极扩展 去除伪迹：生理伪迹-眼电伪迹，肌电伪迹，心电伪迹，其他 非生理伪迹-工频干扰，电极伪迹，数据伪迹等 肌电伪迹：使用平均叠加来消除一般在20HZ以上 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，带阻滤波中间衰减 重...
上海交大情感脑电数据集(SJTU Emotion EEG Dataset，SEED)
热门推荐
脑机接口社区
05-05 1万+
目录SEED数据集介绍1、刺激与实验2、受试者（subjects）3、数据集摘要 SJTU 情感脑电数据集（SEED）是由BCMI实验室提供的EEG数据集的集合，该实验室由路宝良教授领导 。 SEED数据集介绍 SEED数据集包含对象观看电影剪辑时的脑电信号。仔细选择影片剪辑，以引起不同类型的情感，包括积极（positive），消极（negative）和中性(neutral)的情感。 1、刺激与...
数据分析实战＜一＞脑电(EEG)分析
fuzekun的博客
10-12 6247
脑电EEG
脑电EEG代码开源分享 【4.特征提取-时频域篇】
weixin_44425788的博客
09-26 7736
时频域特征融合了各自的长处，交叉了时域频域的信息，方便研究人员更全面的了解信号特点。 时域多一点、还是频域多一点，就成了时频域常面临的平衡问题。 目前时频特征还是在长时任务中应用较多，归因于时频分解还是注重频带的信息，长时任务有较宽的频带能量分布，而任务态脑电的频域集中在低频。 本文着重介绍的EMD算法，突出了自适应的基底优势， 建议新入门的朋友可以尝试使用。 目前多样性的特征还在不断发展、丰富，新的特征提取方法逐渐多元化。 进阶特征如脑网络、拓扑图等，人工智能端到端特征提取方法，会在新的专栏中介绍。
python对脑电信号预处理
12-15
以下是使用Python对脑电信号进行预处理的一些常见方法和步骤： 1. 安装必要的库：使用pip或conda安装nibabel、nilearn、mne、matplotlib等库。 2. 导入数据：使用nibabel或nilearn库导入EEG数据。 3. 数据预处理：包括滤波、去噪、伪迹去除、重采样等步骤。可以使用MNE库中的函数进行预处理，例如使用mne.filter.filter_data()函数进行滤波，使用mne.preprocessing.ICA()函数进行独立成分分析去噪等。 4. 可视化：使用matplotlib库中的函数进行数据可视化，例如使用plt.plot()函数绘制EEG信号波形图。 5. 调整电极方案：如果购买的脑电帽的电极方案不是主流的，则需要对输入数据的电极进行调整。可以使用MNE库中的函数进行电极位置调整，例如使用mne.channels.reorder_channels()函数进行电极位置调整。 6. 脑电溯源逆问题：可以使用MNE库中的函数进行脑电溯源逆问题求解，例如使用mne.minimum_norm.apply_inverse()函数进行逆问题求解。 以下是一些相关问题：

“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 2
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