脑电数据预处理和后续处理（EEGLAB）

最新推荐文章于 2024-09-10 21:25:02 发布
最新推荐文章于 2024-09-10 21:25:02 发布
阅读量1.9w 收藏 234
点赞数 23
分类专栏： EEG
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/swb719/article/details/115722755
版权
本文记录了使用EEGLAB进行脑电信号处理的步骤，包括下载安装、数据导入、绘制脑地形图、预处理（参考转换、滤波、改变采样率、移除无用电极、分段、基线校正、伪迹去除）、坏段剔除、叠加平均及数据保存。在预处理过程中，遇到电极数量不符的问题，通过调整解决了。此外，还涉及了脑电分类的特征提取和分类方法。
摘要由CSDN通过智能技术生成

目录


由于我的毕设涉及到脑电信号的处理与分类，所以在这记录一下我的学习过程。不得不说我留给毕设的时间好像不足以支撑到我完全理解eeglab的使用…

EEGLAB

下载与安装

我的matlab版本是R2018a，在eeglab官网下载了之后放到了matlab文件夹下toolbox里边，然后再添加路径就可以使用了。
出现的问题
当打开eeglab时，界面提醒 R2018a需要升级,同时eeglab运行到关掉某个进行过程时，matlab会崩溃
在这里插入图片描述
然后我下载了R2018a升级的压缩包，解决了这个问题。

载入数据

  • 采集之后我得到的数据是cnt的文件，在界面的file–>import data下可以选择导入cnt格式的数据，如下图：
    在这里插入图片描述
    载入数据之后，可以看到界面显示为：
    在这里插入图片描述
    这里我出现了个问题，我采集脑电设备的电极是64极的，但是eeglab显示是67个通道，其中多了三个通道，观察数据发现有三行值是100到500多的，搞不懂为什么，如果有知道的朋友希望评论一下，谢谢🌹 我感觉这个问题是个雷，可能之后的处理操作就因为这个都错了…
    更新：
    参考：link
    这个网页中描述的问题和我的相似，他采集设备的电极是128，但是导入后eeglab显示有132个通道。回答说FidNz = the fiducial marker near the nose (nasion)，eeglab会自动检测出三个隐藏通道，然后建议是选择比采集电极多的电极位置图，不过也要保证电极位置的正确。
  • plot–>channel data(scroll) 可以观察对应电极通道的序列图。

绘制脑地形图

edit --> channel location --> read locations --> 选择位置文件
这里需要注意的是如果要选择位置文件的话（也可以不选择，eeglab有自动匹配），在eeglab的文件夹中的sample_locs下可以选择对应的文件。被试佩戴脑电帽的通道数为 64 导，电极位置遵照国际 10-20 标准分布。
因为我没有找到对应的电极位置文件，所以我并没有选择 Read Location,直接用的eeglab自动对准的。

脑电数据预处理

参考转换（Re-reference）

在这里插入图片描述

滤波

这部分具体应该选择的频率范围我不是很确定，我选择了0.25~30Hz，依次在第一框中填入0.25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，先高通滤波再低通滤波。
在这里插入图片描述

改变采样率

原数据的采样率是1000Hz,很占内存，所以我将采样率改为120Hz。
降低采样率需要注意：

  • 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。
  • 二是根据负荷采样定理：选择是我们想要分析的波段频率的3，4倍以上，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。
移除无用电极

移除眼电通道
在这里插入图片描述

分段

在这里插入图片描述
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

分段之后就会跳出基线校正的操作框。

伪迹去除

使用ICA算法分解数据。
在这里插入图片描述

绘制2-D Component Scalp Maps，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。
在这里插入图片描述
剔除ICA成分
在这里插入图片描述
剔除哪些成分，我是借助了Adjust插件（Adjust 需要自己安装，不是 EEGLAB 默认携带的。）

绘制 component spectra and maps，了解哪些独立成分对特定的频段贡献最大,这里我设置需要随机选择的数据的百分比为100%。
command line上显示的结果如下：

Component 1 percent relative variance:  83.77
Component 2 percent relative variance:  12.14
Component 3 percent relative variance:   6.57
Component 4 percent relative variance:   7.76
Component 5 percent relative variance:   8.08
Component 6 percent relative variance:  14.21
Component 7 percent relative variance:   2.81
Component 8 percent relative variance:   6.20
Component 9 percent relative variance:   4.55
Component 10 percent relative variance:   1.20
Component 11 percent relative variance:   3.25
Component 12 percent relative variance:   2.63
Component 13 percent relative variance:   1.39
Component 14 percent relative variance:   2.48
Component 15 percent relative variance:   2.11
Component 16 percent relative variance:   1.41
Component 17 percent relative variance:   1.35
Component 18 percent relative variance:   1.64
Component 19 percent relative variance:   0.24
Component 20 percent relative variance:   0.82
Component 21 percent relative variance:   0.38
Component 22 percent relative variance:   0.60
Component 23 percent relative variance:   0.89
Component 24 percent relative variance:   1.27
Component 25 percent relative variance:   0.44
Component 26 percent relative variance:   0.54
Component 27 percent relative variance:   0.61
Component 28 percent relative variance:   0.22
Component 29 percent relative variance:   0.45
Component 30 percent relative variance:   0.32
Component 31 percent relative variance:   1.13
Component 32 percent relative variance:   0.09
Component 33 percent relative variance:   0.67
Component 34 percent relative variance:   0.22
Component 35 percent relative variance:   0.21
Component 36 percent relative variance:   0.28
Component 37 percent relative variance:   0.50
Component 38 percent relative variance:   0.16
Component 39 percent relative variance:   0.26
Component 40 percent relative variance:   0.14
Component 41 percent relative variance:   0.18
Component 42 percent relative variance:   0.18
Component 43 percent relative variance:   0.07
Component 44 percent relative variance:   0.02
Component 45 percent relative variance:   0.17
Component 46 percent relative variance:   0.05
Component 47 percent relative variance:   0.02
Component 48 percent relative variance:   0.10
Component 49 percent relative variance:   0.04
Component 50 percent relative variance:   0.02
Component 51 percent relative variance:   0.01
Component 52 percent relative variance:   0.00
Component 53 percent relative variance:   0.01
Component 54 percent relative variance:   0.01
Component 55 percent relative variance:   0.00
Component 56 percent relative variance:   0.00
Component 57 percent relative variance:   0.00

为了得到独立成分的 ERP 对数据的 ERP 的贡献，我们需要选择 Plot > Component ERPs> with component maps。
command line上显示：

Comparing maximum projections for components:  

IC1 maximum mean power of back-projection: 72.2738
IC2 maximum mean power of back-projection: 40.3074
IC3 maximum mean power of back-projection: 118.629
IC4 maximum mean power of back-projection: 20.5741
IC5 maximum mean power of back-projection: 16.7698
IC6 maximum mean power of back-projection: 4.04828
IC7 maximum mean power of back-projection: 5.03374
IC8 maximum mean power of back-projection: 27.3447
IC9 maximum mean power of back-projection: 12.9047
IC10 maximum mean power of back-projection: 2.4831
IC11 maximum mean power of back-projection: 5.01077
IC12 maximum mean power of back-projection: 3.94776
IC13 maximum mean power of back-projection: 5.80443
IC14 maximum mean power of back-projection: 10.3948
IC15 maximum mean power of back-projection: 11.8145
IC16 maximum mean power of back-projection: 1.14692
IC17 maximum mean power of back-projection: 2.63034
IC18 maximum mean power of back-projection: 4.09341
IC19 maximum mean power of back-projection: 2.35853
IC20 maximum mean power of back-projection: 1.54849
IC21 maximum mean power of back-projection: 0.761995
IC22 maximum mean power of back-projection: 1.22335
IC23 maximum mean power of back-projection: 1.50031
IC24 maximum mean power of back-projection: 6.12206
IC25 maximum mean power of back-projection: 0.449215
IC26 maximum mean power of back-projection: 1.05872
IC27 maximum mean power of back-projection: 0.574225
IC28 maximum mean power of back-projection: 0.44772
IC29 maximum mean power of back-projection: 0.545843
IC30 maximum mean power of back-projection: 0.624281
IC31 maximum mean power of back-projection: 1.91398
IC32 maximum mean power of back-projection: 0.356062
IC33 maximum mean power of back-projection: 0.483526
IC34 maximum mean power of back-projection: 0.403002
IC35 maximum mean power of back-projection: 0.166475
IC36 maximum mean power of back-projection: 0.393186
IC37 maximum mean power of back-projection: 0.468765
IC38 maximum mean power of back-projection: 0.336584
IC39 maximum mean power of back-projection: 0.495862
IC40 maximum mean power of back-projection: 0.29598
IC41 maximum mean power of back-projection: 0.115158
IC42 maximum mean power of back-projection: 0.191568
IC43 maximum mean power of back-projection: 0.0438948
IC44 maximum mean power of back-projection: 0.073342
IC45 maximum mean power of back-projection: 0.0760424
IC46 maximum mean power of back-projection: 0.238884
IC47 maximum mean power of back-projection: 0.0109103
IC48 maximum mean power of back-projection: 0.0265037
IC49 maximum mean power of back-projection: 0.016949
IC50 maximum mean power of back-projection: 0.00671989
IC51 maximum mean power of back-projection: 0.00366287
IC52 maximum mean power of back-projection: 22.7095
IC53 maximum mean power of back-projection: 0.00337244
IC54 maximum mean power of back-projection: 0.00276348
IC55 maximum mean power of back-projection: 0.00112066
IC56 maximum mean power of back-projection: 0.000727603
IC57 maximum mean power of back-projection: 0.000860832
in the interval -1000 ms to 1992 ms.
Plotting envelopes of 7 component projections.
Topo maps will show components:   52     5     2     8     4     1     3  
    with max var at times (ms):    8   242   675   692  1617  1750  1783  
                  epoch frames:  122   150   202   204   315   331   335  
    Component sortvar in interval:  72.27 40.31 118.63 20.57 16.77 4.05 5.03 
    Summed component 'ppaf' in interval [-1000 1991.67] ms: 53.83%
    Plot limits (sec, sec, uV, uV) [-1,1.99167,-20.1883,13.5947]

绘制Component ERP-image

剔除坏段

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。
我采用的是绝对阈值法，选择剔除掉超出±100μV的trial。
2020版本的eeglab中默认没有显示reject data,file>preference中可以设置用以前版本的GUI界面，如下图：
在这里插入图片描述
然后选择reject data epochs>reject extreme values
在这里插入图片描述
command line显示：

250/540 trials marked for rejection

也太多了吧…这就要删掉近一半的trial了，那我还是观察时域波形，手动删除不良片段吧。如何确定坏段呢？

叠加平均
保存数据

脑电分类

起初我一直在纠结的是我脑电数据对应的标签要怎么弄，后来我明白了分段之后EEG数据下有个epoch的字段就是事件类型。
eeglab中可以看到数据的event type，截图如下:第一位代表的是变量一的标签，第二位表示变量二的标签，这个取决于脑电采集过程中的打标设置（255好像是个意外）。其余部分后续补上。
在这里插入图片描述

特征提取
分类
  1. 划分训练集和测试集
  2. 调库，选择多种分类器训练以及测试
    参考：
    https://blog.csdn.net/zyb228/article/details/106216744
    https://www.jianshu.com/p/0df08244614a
    https://roses.blog.csdn.net/article/details/106216744
吃山核桃像挖过泥
关注
专栏目录
基于EEGLAB的脑电数据预处理
Kobe123brant的博客
12-24 1万+
关于EEGLAB这个脑电处理工具包，对于大多是需要处理脑电数据的人来说都不会很陌生，这里放一个EEGLAB官网的链接； https://sccn.ucsd.edu/eeglab/index.php EEGLAB的优势 具有便于操作的GUI界面，特别适合初学者学习使用 支持导入多种数据格式（可以读取几乎所有格式的EEG信号） 对于高密度的数据可以，支持滚动浏览，方便我们查询脑电的数据 交互式的绘图功能，方便ERP波形绘制和头皮电压分布地形图绘制等工具 基于独立成分ICA的伪迹去除和源分析技术 提供多种高级的
EEglab操作手册
09-28
eeglab操作手册，方便上手，新手必看。基于neruoscan的数据
ANT Neuro 在eego软件中导出的 EEProbe .cnt格式数据导入EEGLAB的数据读取插件
12-23
ant neuro 脑电采集的 EEProbe .cnt格式的数据，在eeglab中的读取插件。
【EEGLAB】EEG的读存和滤波
qq_52137732的博客
09-10 120
在EEG信号预处理过程中，EEGLAB应该是最方便也最常用的工具包了。使用EEGLAB处理EEG信号有段时间了，不过基本的语法和函数过了段时间还是会忘记，又得从以前的代码里面找，因此开始动笔记下来。
eeglab中文教程系列(13)-导入cnt文件
脑机接口社区
10-30 7640
目录1.导入文件2.查看数据 本教程为脑机学习者Rose发表于公众号：脑机接口社区(微信号：Brain_Computer).QQ交流群：903290195 1.导入文件 先打开eeglab,并导入cnt文件，操作如下： 点击后选择对应的cnt文件，然后会弹出如下界面： 在上图中使用Autodetect即可，其他的根据需求来填写。点击OK.会弹出如下界面，给加载的数据集命名，默认即可。点击OK...
loadCNT.zip_MATlab导入cnt_cnt_cnt EEG_cnt数据_matlab 脑电
07-15
在Matlab里导入.cnt文件，主要帮助在Matlab中进行EEG脑电分析的同学，将.cnt文件成功导入Matlab，然后分析数据结构。
matlab工作区EEG结构体导入eeglab
qq_38330266的博客
10-13 710
将工作区处理了的EEG结构体重新导回图像界面
eeglab ADJUST
04-10
eeglab的ADJUST插件
利用matlab与eeglab对EEG信号（脑电）进行处理分段与保存
a1004550653的博客
04-22 1万+
本文中的代码仅对eeg信号进行了筛通道，滤波，分段处理 如有其他要求，请在第一段代码中自行补充 %这个是对edf文件处理的代码进化过程，每一段都是对前一段的提升 %用井号框起来的部分是成功后的代码 %完整代码在最后 %其中，文件的读取保存地址，名称之类的，有很多需要在使用时进行手动改变的地方，注意自行更改 %使用eeg相关函数前，先调用eeglab %读文件与选通道 EEG = pop_biosig('C:\Users\DELL\Desktop\dataset\s1-2210113.edf', 'ch
eeglab_chan_脑电预处理电极定位文件_
10-02
总的来说，"eeglab_chan_脑电预处理电极定位文件_"是一个包含关键信息的文件，对于使用EEGLAB进行脑电图数据分析的科学家来说，它是确保数据质量和分析准确性的重要组成部分。通过理解和正确使用这些文件，研究者...
eeglab和matlab,Matlab之EEGLAB工具箱脑电数据预处理
weixin_35955928的博客
03-16 5823
虽然买脑电采集设备时会配备有脑电数据处理软件，但是有的需要付年费，但是如果没买采集设备也没有专业处理软件，可以使用matlab中eeglab，使用起来也比较方便，eeglab的安装流程浏览器搜一下会有，如很必要后面出一篇，下面介绍下采集好的脑电数据该如何做预处理。解读：eeglab是基于MATLAB的一个工具包，一般加载的时候都从添加子文件夹导入。在添加多个工具包时，记得只保留必要的工具包，避免兼...
eeglab工具箱
07-19
用于脑电分析，功率谱分析等
eegadjust:EEG伪影抑制的ADJUST方法
06-15
基于时空特征联合使用的伪像检测器 ADJUST 是一种基于空间和时间特征的自动 EEG 伪影抑制方法，由 A. Mognon 等人发表。 阿尔。 2010 年 。 该方法依赖于通过盲源分离 (BSS) 算法分离神经和人为活动，并将每个提取的成分分类为眨眼、垂直眼球运动、水平眼球运动、一般不连续性或清洁。 然后从 EEG 的重建中去除识别为噪声的组件。 代码示例 笔记 在当前版本中，只有负责识别工件组件的块可用。 见 安装 要安装此软件包，您可以使用 make 文件。 从包的根目录，运行： make install 笔记 依赖项和的安装可能会失败。 建议手动安装这些软件包。 测试 要针对您安装的 python 版本测试包，您可以从包的根目录运行： make test 问题和意见 请，如果您遇到任何问题与包，或者如果您有任何建议。 贡献者 让人们知道他们可以如何深入到项目中，包括指向
ADJUST插件包.zip 1.11最新版本
04-20
ADJUST是一种用于识别和清除EEG数据的全自动算法。ADJUST基于独立成分分析（ICA），这是一种成功的但无监督的从EEG记录中分离伪影的方法。ADJUST通过组合定型工件特定的空间和时间特征来识别工件ICA。对功能进行了优化以捕获眨眼，眼球运动和一般的不连续性。一旦识别出伪造的IC，就可以简单地将它们从数据中删除，同时由于神经源几乎不受影响而保持活动状态。 ADJUST作为EEGLAB软件的插件在Matlab中运行 使用方法：解压后放在toolbox-eeglab-plugin下，然后运行eeglab gui界面，在tools种出现
脑电数据预处理matlab代码
最新发布
09-14
脑电数据预处理是脑电图(EEG)分析过程中的重要步骤，它旨在改善数据质量并减少噪声，以便进行后续的分析和解释。以下是一个简化的MATLAB代码示例，用于脑电数据的预处理，包括滤波和坏通道的去除。请注意，这个示例...
arduino eeg脑电模块_EEG脑电数据预处理-原理篇
weixin_42398130的博客
12-24 507
本文不涉及具体的操作步骤，而是对脑电数据预处理中的每一步进行解说，根据我自己的经验来解释为什么要这么做，希望能够对刚入门脑电数据的朋友有所帮助。如果发现有什么错漏之处，也请指正。只想看操作的话可以看这篇EEGLAB数据预处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0. 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...
EEG preprocess - re-reference EEG预处理 - 重参考
weixin_33705053的博客
11-09 770
Source: https://blricrex.hypotheses.org/ressources/eeg/pre-processing-for-erps/re-referencing-eeg-data Re-referencing only applies to EEG data, MEG is reference-free. In EEG, voltages recorded at eac...
matlab心理学函数包,精华帖 | 心理学MATLAB初学者教程 -- 脑电数据读取
weixin_42441929的博客
03-17 851
1、CNT数据在eeglab当中有专门读取cnt数据的函数，但可能不熟悉matlab的同学只能通过gui界面上的菜单来读取数据，这样不便于程序化处理数据，所以这里就介绍一下用程序读的方法。函数：loadcnt用法：cnt = loadcnt(file, varargin)变量介绍：cnt：这是一个结构体，结构体在前面没有详细的讲过，所以在这里顺带提一下，结构体你可以把它想成一个变量的集合，在这个结...
EEGLAB安装、EDF数据导入、EEG预处理（Matlab）
热门推荐
y18771025420的博客
07-07 1万+
目录下载和安装下载安装遇到问题及解决方案导入EDF数据EEG预处理 下载和安装 下载 链接：https://pan.baidu.com/s/17eMT6B7LgZ4PyqWvD5ixmg 提取码：12gz 安装 **第一步：**将下载下来的文件解压，修改名称为eeglab，将此文件夹存放在matlab的安装目录里的toolbox文件夹下，下图是我的路径，需要拷贝到自己相对应的路径中 第二步： 打开Matlab软件，点击主页中的设置路径 设置路径 点击添加并包含子文件夹，将eeglab文件夹添加进来，保
评论 17
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