脑电信号统计与工具软件实践-EEG Processing and Feature 6

已于 2022-09-21 09:59:54 修改
阅读量496 收藏 8
点赞数 1
分类专栏： BCI 文章标签： EEG
于 2021-10-24 16:24:48 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_41990294/article/details/120796564
版权

这是《EEG Processing and Feature Extraction》的第六个视频资料整理。内容是“脑电信号统计与工具软件实践”。

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

脑电信号统计与工具软件实践

在这里插入图片描述
在这里插入图片描述

脑电信号统计

在这里插入图片描述
怎么把观察到的现象描述出来。

统计描述

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

t检验与方差分析

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

相关与回归

在这里插入图片描述
在这里插入图片描述

非参数检验

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

置换检验

在这里插入图片描述

多重比较校正

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
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

工具软件实践

在这里插入图片描述

Letswave

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安装包：https://github.com/NOCIONS/letswave7/archive/master.zip
测试数据：https://github.com/NOCIONS/letswave7_tutorial
安装教程：letswave7中文教程1：软件安装与脑电数据导入
在这里插入图片描述

P300数据分析

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

操作过程

0 数据导入

在这里插入图片描述

1 电极定位

在这里插入图片描述

2 剔除无用电极

在这里插入图片描述

3 频域滤波

在这里插入图片描述

4 插值坏通道

在这里插入图片描述

5 计算ICA矩阵

在这里插入图片描述

ICA算法介绍

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

7 数据分段

在这里插入图片描述

8 剔除坏段

在这里插入图片描述

9 重参考

在这里插入图片描述

11 平均叠加

在这里插入图片描述
在这里插入图片描述

12 连续小波变换

在这里插入图片描述

13 时频域基线校正

在这里插入图片描述

梁小憨憨
关注
  • 1
    点赞
  • 踩
  • 8
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
脑电信号预处理神器
紫东侠客的博客
10-06 335
Matlab中的letswave包，非常可 letwave下载链接：Home | Letswave 随后，安装过程可参考 letswave7中文教程1：软件安装与脑电数据导入_脑机接口社区-CSDN博客 在安装完之后，使用教程可参考 letswave7中文教程1：软件安装与脑电数据导入_脑机接口社区-CSDN博客或者 Letswave 教程：脑电数据预处理与叠加平均_行上行下的博客-CSDN博客h 还在使用当中，后续写体验 ...
letswave7中文教程1：软件安装与脑电数据导入
脑机接口社区
05-05 3828
目录1.安装2.数据集介绍3. 数据集导入4.数据集检查 Letswave是一款非常好用的神经生理信号处理分析工具，支持从主流的脑电图放大器中导入数据，为数据预处理和时频域信号分析提供多种功能。而且用户友好的界面使文件管理、批处理操作、统计分析和发布的图形生成变得容易。与其他信号处理工具相比，Letswave是一种直观、流线型的脑电图数据处理可视化工具，学习曲线较浅。 下面Rose小哥将为大家分...
conda env create -f environment.yml报错ResolvePackageNotFound和Found conflicts的解决方案【已解决】
阅读修身
02-07 1万+
阅读须知：长文，将近10万字。主要原因是报了太多错，记录了太多bug。前面的11步骤是我的试错过程，直到第12/13步才解决。没耐心的可以直接从目录跳到第12步最后。下面看一看我的一把辛酸泪吧。事情的起源是想把本机程序配置到服务器运行以减少运行时间。我之前试了pip和pipreqs安装依赖，报错却随着我的修改而越来越多。于是我决定试一试conda环境配置解决这个问题。按照CSDN博主：℡ヾNothing-_哥所说，只需要四步，一如大象装冰箱一样简单。就可以搞定移植环境后的程序配置。
脑电实验--MATLAB叠加平均代码
yiyiyayaya666的博客
08-15 2192
叠加平均主要搞明白数据是几维结构，每隔多少数据叠加一次，叠加几次。用个循环即可。
脑电数据预处理看这篇就够了
热门推荐
u011661076的博客
07-06 2万+
01脑电数据分析预处理步骤 1.(Import data)导入数据 2.(Channel locations)电极定位 3.(Select data)剔除无用电极 4.(filter the data)滤波 5.(Extract epochs and Remove baseline)分段和基线校正 6.Artifact rejection (bad channel and epoch) (剔除坏段、插值坏导) 7.(Independent component analysis, ICA)独立.
EEG脑电信号分析与特征提取PPT讲解稿
04-06
脑电信号是由脑神经活动产生并且始终存在于中枢神经系统的自发性电位活动，是一种重要的生物...3）采集到的脑电信号背景噪声比较复杂，有50Hz的工频干扰，电极与皮肤的接触噪声以及电极与地之间的共模信号的干扰等等。
脑电信号分析python代码（python_eeg_analysis）.zip
09-23
标题中的"脑电信号分析python代码（python_eeg_analysis）.zip"指示了这是一个与脑电图（EEG）分析相关的Python项目。EEG是一种记录大脑电活动的技术，广泛应用于神经科学、医学诊断和生物反馈等领域。这个压缩包...
matlab脑电功率谱代码-EEG-processing:脑电数据的批处理
05-28
matlab脑电功率谱代码脑电图处理 该存储库包含三个程序： 使用Matlab 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...
脑电信号相位锁定值（eeg-plv）
10-29
脑电信号相位锁定值（eeg-PLV），全称为Phase-Locking Value，是用于研究大脑神经活动的一种重要分析工具，特别是在 EEG（Electroencephalography，脑电图）信号处理领域。PLV 是一种衡量不同脑电图通道间相位同步性...
EEG脑电信号分析与特征提取-源码
10-01
EEG（Electroencephalogram）脑电信号分析与特征提取是神经科学和生物医学工程领域中的一个重要研究方向。这种技术主要用于理解大脑活动模式，诊断神经系统疾病，以及在脑机接口（BCI）系统中实现人机交互。源码通常...
脑电信号处理和识别程序
08-04
Matlab程序，可以自动滤波检测，还可以通过神经网络进行识别。EEGDisplay-0317@(任意不大于32的导联)
EEG signal processing 脑电信号处理方法算法
04-27
EEG signal processing 脑电信号处理方法算法 总结
EEG做情感识别
07-23
EEG做情感识别EEG做情感识别EEG做情感识别EEG做情感识别。
EEG脑电处理matlab工具包-eeglab
04-26
基于matlab的EEG脑电处理工具包-eeglab，能够方便脑电处理
颅内EEG记录揭示人类DMN网络的电生理基础
悦影科技
12-20 845
使用无创功能磁共振成像（fMRI）的研究为人类默认模式网络（DMN）的独特功能组织和深远重要性提供了重要的见解，但这些方法在跨多个时间尺度上解决网络动力学的能力有限。电生理技术对于应对这些挑战至关重要，但很少有研究探索DMN的神经生理学基础。在此，作者在一个与先前fMRI研究一致的共同的大规模网络框架中研究了DMN的电生理组织。作者使用颅内脑电图（iEEG）记录，并评估了静息状态下的网络内和跨网络相互作用，及其在涉及情景记忆形成的认知任务中的调节情况。作者分析显示，在慢波（
EEG中常见的伪迹与干扰
m0_57887884的博客
07-28 2801
常见的伪迹 1.眼电伪迹： 眨眼伪迹：特征是波形有一个很窄的尖峰，且幅值很大，随着电极排布位置的靠后，其幅值会逐渐变小，且尖峰的时间范围也会变宽。眨眼伪迹一般用垂直眼电记录（VEOG），但也可以用Fp1、Fp2以及FpZ处的EEG信号代替。 眼动伪迹：类似方波的“篷车”或“斜篷车”波形，一般通过放置在眼睛左右的电极（HEOG，水平电）进行记录。 2.肌电伪迹 频率较高，在25Hz以上，幅度较大，表现出爆发式的密集波形 3.心电伪迹 容易在乳突出现，如果以乳突作为参考电极的话，那么
脑电信号特征提取——样本熵
hyj_8864的博客
11-25 7497
二、样本熵 是对近似熵的一种改进算法，是一种不同于近似熵而且不进行自身匹配的统计量方法 近似熵有两个缺点： 近似熵在与自身匹配时具有偏差性； 近似熵结果的一致性较差 样本熵具有如下特点： 具有比时域统计（均值、方差等）更好的估计效果； 对原始数据处理时无需进行粗粒化提取； 可用于由确定信号与随机信号组成的混合信号。 1、算法步骤 设原始信号为{x(i),i=1,2,…,N}，按照下面公式重构出 m 维向量，用 y（i）表示，{ y(i),i=1,2,…,M,M=N-m+1},即： y
Letswave 教程：脑电数据预处理与叠加平均
weixin_40052256的博客
05-08 5616
Letswave 教程：脑电数据预处理与叠加平均1 实验与工具介绍2 前期准备2.1 letswave7安装与数据集准备2.2 数据集导入2.3 数据集检查3 数据预处理3.1 通道位置赋值 3.2 删除无用的通道3.3 滤波3.4 坏电极插值替换3.5 ICA分解以删除成分 3.5.1 计算ICA矩阵3.5.2 人工识别成分3.6分段3.7 伪迹去除3.7.1 手动剔除带有伪迹的Epoch。3...
letswave-脑电数据处理流程总记
weixin_30396699的博客
07-31 1468
2019年7月31日 大雨 　　1 已下载eeglab和letswave工具包，在matlab设置好工作路径，将工具包的图形界面调用出来； 　　2 使用letswave6工具包进行操作。导入数据的时候，我的设备是neuroscan，储存了cnt数据，所以在导入数据的时候，选择了如下图1： 图1 　　2.1 如此，便导入了epochs*channels*x*y*z*t的六维数据...
脑电信号eeg pytorch处理
最新发布
07-28
脑电信号（Electroencephalogram，EEG）是记录大脑活动的一种常用方法。在使用PyTorch处理EEG数据时，可以采取以下步骤： 1. 数据预处理：对EEG数据进行预处理以去除噪声和伪迹，例如使用滤波器进行陷波滤波、去除眼电伪迹等。PyTorch提供了各种信号处理工具，如torchvision.transforms等。 2. 特征提取：从EEG信号中提取有用的特征，例如使用时频分析方法（如短时傅里叶变换、小波变换）获取时频域特征。可以使用PyTorch提供的信号处理库（如torch.fft）进行频域分析。 3. 数据标准化：对EEG数据进行标准化处理，使其具有相似的分布和范围。可以使用PyTorch的torch.nn.BatchNorm1d或torchvision.transforms.Normalize进行数据标准化。 4. 构建模型：使用PyTorch构建适合EEG数据处理的模型，例如卷积神经网络（Convolutional Neural Networks，CNN）或循环神经网络（Recurrent Neural Networks，RNN）。可以使用PyTorch的torch.nn模块构建模型，并使用torch.optim模块选择优化器。 5. 模型训练：将预处理后的EEG数据输入模型，并使用PyTorch的torch.nn模块定义损失函数，然后使用优化器进行模型训练。可以使用PyTorch的torch.utils.data.Dataset和torch.utils.data.DataLoader加载和处理EEG数据集。 6. 模型评估：使用预留的测试数据对模型进行评估，计算准确率、精确率、召回率等指标。可以使用PyTorch提供的评估工具，如torchmetrics等。 以上是处理EEG数据的基本步骤，具体的实现方法和流程可以根据具体任务和数据集进行调整和修改。希望对你有所帮助！

“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