运动想象脑电数据分享

运动想象脑电数据分享

运动想象脑电数据分享

针对之前LZ的第一篇文章脑电数据的实验范式及EEGLAB分析预处理
文章链接:https://blog.csdn.net/weixin_42810315/article/details/100548378
有部分朋友希望我分享数据,每次回复不知为什么都被和谐,哭唧唧。。。
https://pan.baidu.com/s/1zpdPTa_8rYE5l-J_H3f6nA 提取码:003l
具体内容如下:3位被试的有训练训练数据及测试数据(其中S1、S2文件编号存放着二分类数据,S3存放着三分类数据),2位被试的无训练测试数据,无训练无三分类数据。其中每位被试的训练数据包含3个block,测试数据包含2个block。
在这里插入图片描述
在这里插入图片描述
分享一个EEGLAB的网站:https://sccn.ucsd.edu/wiki/EEGLAB_Extensions_and_plug-ins

希望能给新入坑脑电的萌新们带来帮助!!!

  • 9
    点赞
  • 28
    收藏
    觉得还不错? 一键收藏
  • 14
    评论
运动想象脑电(EEG)数据预处理是神经科学和机器学习中对实验数据进行分析的关键步骤。它包括多个子任务,目的是消除噪声、标准化信号、提取有用特征,并为后续的分析如事件相关电位(ERP)、频率分析或连接性研究做好准备。以下是运动想象脑电数据预处理的一些主要环节: 1. 数据采集:首先,从被试头部放置的电极阵列(例如10-20系统)记录到的原始EEG信号。 2. 去噪:使用方法如平均参考、肌电图(EMG)去除肌肉活动导致的干扰,以及低通滤波器消除电源线噪声和电源干扰。 3. 基线校正:通常对基线时间段(比如静息状态)进行调整,使得后续的时间窗口分析更加准确。 4. 电极位置标准化:将每个电极的位置转换到标准头型坐标系统,便于比较不同人的数据。 5. 心率和眼电(EOG/ECG)信号剔除:处理来自心脏和眼睛的干扰,确保专注于大脑活动。 6. 时间序列同步:如果有多模态数据(如fMRI或EEG-fMRI),确保各模态的数据在时间上对齐。 7. 特征提取:可能包括频域分析(如功率谱估计)、事件相关潜在(ERP)分析或瞬态特征提取。 8. 分段和窗宽选择:根据实验设计选择适当的窗口大小(如事件相关窗)和采样率来分析特定的事件响应。 9. 检查和质量控制:可视化预处理后的信号,确保没有明显遗漏或异常。
评论 14
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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