matlab floor函数_MATLAB | 用行为数据处理EEG数据事件码

脑电图(Electroencephalogram，EEG)是通过精密的电子仪器，从头皮上将脑部的自发性生物电位加以放大记录而获得的图形，同时具有极高的时间分辨率。EEGLAB和ERPLAB常被用来处理脑电数据，因其操作方便且免费。

用EEGLAB和ERPLAB提取ERP成分的同学都知道，Extract epochs或Extract bin-based epochs的方法可以锁定感兴趣的事件诱发的时刻，对后续进行ICA分析、叠加平均有利。但它对事件码的依赖很高。比如关键的事件码丢失了，将无法识别潜在的有效的试次，会影响叠加平均的有效试次数，降低信噪比。

不愿透露姓名的线轻收集了一个被试的任务态脑电数据，预处理时发现某类事件码丢失了1/6(300余个码)。丢码可能导致数据质量(信噪比)下降，让人难以忍受，尽管它不足以使整个数据无效。 早前听说了融合行为数据处理事件码，但没有真正实践过，不知效果如何。为了“拯救”自己的第一个脑电数据，我开始摸索这种方法，结果收获蛮多的，下面跟大家分享一下这个过程。 1.检查事件码是否丢失 首先，利用EEGLAB将数据文件导入MATLAB，得到图1内容。在EEGLAB界面可以看到这段脑电数据的基本信息，由于我已经知道这些信息来自MATLAB中暂存的数据，所以我在右边的工作区的EEG中寻找它其他的详细信息。 图1：将EEG数据导入MATLAB 1.1.查看EEG数据内容 从图1可以看出EEG是个1×1struct(结构体)，别看只是1×1，它包含了大量的数据。细心的同学会发现这些字段大多是空值[](图2)，它们大概是为EEGLAB后续分析EEG数据而存在的，我们暂时可以不用管它们的含义。

图2：EEG数据

图3：存放电压幅值、时间戳和事件码的字段 在非空的字段里，我们可以看到times和data含有大量的数据。从名字和数据的长度来看，它们分别是EEG记录的时间长度和在各个电极点对应的电压幅值。 1.2.查看与事件码相关的字段 接下来可以看到event和urevent，它们是结构体。双击event可以发现它存放了3列信息(图4)：事件码(type)、对应的潜伏期(latency，它表示该事件码发生时，距脑电系统开始记录脑电幅值的时间长度，单位是毫秒)和序号(urevent)。 图4：EEG.event 时间精确到毫秒级是脑电数据的核心特点之一，所以EEG.event是脑电数据里非常重要的数据。 EEG.event的数据可直接复制到EXCEL，然后用数据透视表的方式计算每类事件的次数。下图(5)展示了记录到的事件次数和实验事先设定好的次数。 图5：记录到的事件数和事先设定的事件数比较 经过比较发现，322个事件码{1}丢失了，而{2，3}比设定的次数多，另外还出现了没有设定的码{5，7}。 1.3.此实验的流程和事件码设置 为了让大家了解本实验事件码的设置，用下图(6)展示本次实验的一个Trial流程。图片描述事件码出现的类型、时刻、次数和打入方式。 1.在每个试次开始时，用Writeport的方法打{1，2，3}中的一个。 2.接着用OnsetSignalData的方法在控件Stim处打{11，12，21，22，31，32，33，34，35}等9个码中的一个。 3.在700~1000ms之后，用Writeport的方法打{1}。 4.随后用OnsetSignalData的方法在控件StandardStim处打{11，22，31，32，33，34，35}等7个码中的一个。 5.在700~1000ms后，结束一个试次。 6.反应码{4，6}由被试按键触发，用Writeport的方法打入，它可能出现在某个inline语句结束的时刻。 图6：一个试次的E-prime流程 从流程图来看，很可能事件码{1}是被反应码挤掉了。比如下图(图7)中第16个码开始，依设定的顺序，应该是{6}{1}{11}{1}{11}{1}...，而{11}前的第一个事件{1}丢失了，变成{6}{11}{1}{11}{1}...。检查其他位置的{4}或{6}或{7}，都存在这样的情况。因此猜测是事件码{1}被反应码或者错码替代了。

图7 检查自己的E-prime程序，发现在每个Trial开始前，我应该用

writeport &378,0

将打码端口清零？ 还好我们能用行为数据处理事件码，不至于损失惨重。

2.提取行为数据

在本例EEG数据中，{11，12，21，22，31，32，33，34，35}等9个码没有发生丢码。它们是依赖控件(Stim或StandardStim)的Onset产生的码，在潜伏期上与控件的onset时间是同步的。因此，我们可以用控件的Onset时间代表事件码发生的行为潜伏期，与事件码的EEG潜伏期匹配。 2.1.如果事件码的EEG潜伏期与行为潜伏期匹配上，会有什么结果？ 行为数据中，以OnsetTime结尾的变量表示控件Onset时的潜伏期(距离实验程序进入第一个控件时的时长)，精确到毫秒。 图8 EEG时间数据和行为时间数据既然都精确到毫秒，按理讲，EEG事件码的潜伏期与控件Onset的潜伏期的差值应该为某个稳定的值。这个值应该存在下图中描述的规律。

图9

因此我们可以找到匹配的事件码并查看它们的EEG潜伏期和行为潜伏期的差值是否为某个稳定的值。 由于实验前欠缺考虑，程序里没有设置记录Stim和StandardStim控件的Onset时间，但记录了Wait1.OnsetTime。从流程图(图6)可以看出，Wait1.OnsetTime与Stim.OnsetTime的时间是很接近的，理论上只相差一帧11ms左右(此设备刷新率为85Hz)。 因此可以用Wait1.OnsetTime代替Stim.OnsetTime，与事件码的潜伏期做减法，查看结果是否为某个稳定的值。 本实验中，行为数据在E-prime程序运行之后产生的E-DataAid file。

图10.实验结束后产生的数据文件

我们需要将E-DataAid文件转化为EXCEL数据并提取其中的：FixMark、EmoMark、EmoMark2、Wait1.OnsetTime、反应时间等数据。

这里，我们用Wait1.OnsetTime表示EmoMark的行为潜伏期，而EmoMark2由于没有记录到其行为潜伏期，所以无法予以匹配EEG潜伏期(详见下文结果)。

由于我的EEG数据是从正式实验开始记录的，所以行为数据需要剔除练习的行数据(顺便把休息阶段的行数据剔除)。得到几列数据为：

图11：EmoMark和EmoMark2对应图6中Stim和StandardStim开始时的事件码；可用Wait1.OnsetTime代替Stim.OnsetTime，表示EmoMark的行为潜伏期。

3.匹配EEG事件码潜伏期和行为数据潜伏期

在后续分析中，我们对{11，12，21，22，31，32，33，34，35}等9个码发生后的ERP成分感兴趣。它们是以OnsetSignalData的方式打入的，在行为数据中有潜伏期数据。所以我们以这些码为对象，尝试EEG潜伏期和行为潜伏期的匹配。

3.1.提取EEG数据中感兴趣的事件码

首先，在EEGLAB界面导入此被试的EEG数据。

图12 然后，利用MATLAB脚本代码提取EEG数据中的事件码数据。

%提取EEG事件码数据ureventData = EEG.urevent;eventData = EEG.event;

设置感兴趣的事件码。

%设置感兴趣的事件码。Mark=[11 12 21 22 31 32 33 34 35];

找出上述事件码在EEG事件码数据中的位置。

Loc1=logical(zeros(1,length(ureventData)));%建立逻辑型空向量Loc =logical(zeros(1,length(ureventData)));%建立逻辑型空向量for i=1:length(Mark)%判断事件码在数据中的位置    Loc1=[ureventData(:).type]==Mark(i);%判断存在事件码的位置    Loc=Loc|Loc1;                       %或然关系，表示该位置存在一个事件码end

将感兴趣的事件码从EEG事件码数据中提取出来，并命名为MarkData。

%将感兴趣的事件码从EEG事件码数据中提取出来。EEGMark = find(Loc);for i=1:length(EEGMark)    MarkData(i).type=[ureventData(EEGMark(i)).type];    MarkData(i).latency=[ureventData(EEGMark(i)).latency];end

从EEG.event中提取了感兴趣的事件码数据，其中有2160行数据，有2160个感兴趣的事件码：

图13 3.2.将2.中的行为数据导入MATLAB 用xlsread函数读取指定位置的EXCEL文件

[BehaviorData,~,Raw]=xlsread('D:\2018.04-2021.07Postgraduate\11-biye\XQEMMN\data\Sub1\Sub1Behavior.xlsx');

得到BehaviorData和Raw两组数据，后者是含标题的数据。

图14

3.3.将事件码的EEG潜伏期和行为潜伏期按顺序排列

利用MATLAB脚本代码将行为数据搬到MarkData中，它实现数据搬家的功能，如图15展示。

TypeDif=0;%建立字段用于储存事件码的差异for i=1:length(MarkData)    k=floor((i+1)/2);  %行为数据的第k行数据放到Mark数据的第i行    j=2-mod(i,2);     MarkData(i).BehType=BehaviorData(k,j);    %行为数据的第1列数据放到Type列单数行，第2列数据放到Type列双数行。    MarkData(i).BehLatency=(1+(-1)^(j+1))/2*BehaviorData(k,4); %行为数据的第4列数据放到Latency列单数行，第5列数据放到Latency列双数行。    MarkData(i).LatencyDif=(1+(-1)^(j+1))/2*(MarkData(i).BehLatency-MarkData(i).latency);%计算时间戳的差异    MarkData(i).TypeDif= MarkData(i).type-MarkData(i).BehType;  %判断事件码是否有差异    TypeDif = TypeDif + abs(MarkData(i).TypeDif);   %计算事件码的差异end

得到新的MarkData：

图15

3.4.检查代码运行的结果是否符合预期 在MarkData中(图15左)，LatencyDif计算了EEG事件码的潜伏期和行为潜伏期的差值，发现是一个相对稳定的值，即42150毫秒，表明脑电数据是在实验程序开始42150毫秒(42.15秒)后开始记录的；在实验的最后阶段，差值变为42154毫秒左右，表明误差还是很稳定的。

图16

另一方面，我们在上述代码中用TypeDif记录了事件码的差值，结果TypeDif得到全为0，表明EEG事件码和行为数据是匹配的。

3.5.用行为数据复原事件码的EEG潜伏期的条件

根据上述的结果，我们发现用行为数据复原事件码的EEG潜伏期的条件有： a.事件码由OnsetSignalData的方式打，且行为数据记录了该控件的OnsetTime； b.知道至少一个事件码的EEG潜伏期和对应的行为潜伏期，用以计算潜伏期差值； 4.结合行为数据处理EEG事件码 图17.事件码出现的位置和数量 4.1.保留或去除以下条件的事件码 a.保留感兴趣的事件{11，12，21，22，31，32}； b.保留事件码{1}后面的{11，12，21，22，31，32}； c.去除按键所在的事件； 4.2.用MATLAB脚本代码判断符合上述条件事件码

SaveNum=0;%建立字段，用于计算保留的事件码数for  i=1:length(MarkData)    k=floor((i+1)/2);  %行为数据的第k行数据放到Mark数据的第i行    j=2-mod(i,2);     %↓判断FixMark是否为1，去除2，3事件码    MarkData(i).FixChnMark = floor(1/MarkData(i).FixMark);%floor(1/2)=0,floor(1/3)=0;    %↓判断是否作了按键反应，去除按键所在的事件；    if  BehaviorData(k,6)~=0 & j==2        MarkData(i).ReactMark = 0;    else        MarkData(i).ReactMark = 1;    end    %↓保留同时满足上述两个条件的事件    MarkData(i).Save = MarkData(i).ReactMark & MarkData(i).FixChnMark;    %↓计算保留的事件数    SaveNum = SaveNum+MarkData(i).Save;end

得到SaveNum=1517。

图18

4.3.抽样检查运行结果是否符合预期

图19.行为数据

图20

通过简单的抽样检查发现运行结果是符合预期的。

4.4.取出符合条件的事件码

j=1;for i=1:length(EEGMark)    if MarkData(i).Save==1        Chnevent(j).type=MarkData(i).type;        Chnevent(j).latency=MarkData(i).latency;        Chnevent(j).urevent=j;        Chnurevent(j).type=MarkData(i).type;        Chnurevent(j).latency=MarkData(i).latency;                j=j+1;    endend

命名为Chnevent和Chnurevnt，对应EEG里的EEG.event和EEG.urevent。

4.5.将处理好的事件码数据替换EEG数据中的事件码数据

%替换事件码数据EEG.event=Chnevent;EEG.urevent=Chnurevent;

图21 至此，我们结合行为数据，剔除了EEG事件码中不符合条件的事件。后期采用Extract bin-based epochs的方法可以只定位感兴趣的事件码{11，21，12，22，31，32}，而不需要依赖{1}和反应码。比如Binlist可以写成如下格式(左)：

图22

5.后续

如果你不想用结合行为数据处理的EEG事件码，却又已经替换了，可以用以下代码还原旧的EEG事件码数据。在代码开始时，我们将旧的EEG事件码储存在 ureventData 和 eventData 中 ：

%复原事件码数据EEG.urevent = ureventData;EEG.event = eventData;

处理完事件码之后，继续在EEGLAB完成其他操作，EEG数据会自动更新事件码数据。 本推文的脚本代码仅能处理本次实验收集的事件码数据，不具有广泛的代表性，仅供参考。感兴趣的朋友可在 后台回复EEGMarkReco，获取本推文的数据和脚本代码。 谢谢关注！