脑电EEG代码开源分享 【1.前置准备-静息态篇】

已于 2022-09-29 20:55:55 修改
阅读量7.2k 收藏 85
点赞数 43
分类专栏： 脑电EEG代码开源分享【文档+代码+经验】 文章标签： 开源 人工智能 机器学习 数据分析 matlab
于 2022-09-22 22:33:57 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/weixin_44425788/article/details/126988567
版权

往期文章

希望了解更多的道友点这里
0. 分享【脑机接口 + 人工智能】的学习之路
1.1 . 脑电EEG代码开源分享 【1.前置准备-静息态篇】
1.2 . 脑电EEG代码开源分享 【1.前置准备-任务态篇】
2.1 . 脑电EEG代码开源分享 【2.预处理-静息态篇】
2.2 . 脑电EEG代码开源分享 【2.预处理-任务态篇】
3.1 . 脑电EEG代码开源分享 【3.可视化分析-静息态篇】
3.2 . 脑电EEG代码开源分享 【3.可视化分析-任务态篇】
4.1 . 脑电EEG代码开源分享 【4.特征提取-时域篇】
4.2 . 脑电EEG代码开源分享 【4.特征提取-频域篇】
4.3 . 脑电EEG代码开源分享 【4.特征提取-时频域篇】
4.4 . 脑电EEG代码开源分享 【4.特征提取-空域篇】
5 . 脑电EEG代码开源分享 【5.特征选择】
6.1 . 脑电EEG代码开源分享 【6.分类模型-机器学习篇】
6.2 . 脑电EEG代码开源分享 【6.分类模型-深度学习篇】
汇总. 专栏：脑电EEG代码开源分享【文档+代码+经验】

0 . 【深度学习】常用网络总结

脑电EEG代码开源分享 【1.前置准备-静息态篇】

一、前言

本文档旨在归纳BCI-EEG-matlab的数据处理代码，作为EEG数据处理的总结，方便快速搭建处理框架的Baseline，实现自动化、模块插拔化、快速化。本文非锁时任务（无锁时刺激，如静息态、运动想象）为例，分享脑电EEG的分析处理方法。
脑电数据分析系列。分为以下6个模块：

1. 前置准备
2. 数据预处理
3. 数据可视化
4. 特征提取（特征候选集）
5. 特征选择（量化特征择优）
6. 分类模型

本文内容：【1.前置准备】

提示：以下为各功能代码详细介绍，若节约阅读时间，请下滑至文末的整合代码

二、前置准备 框架介绍

前置准备
前置准备的主要功能，分为以下4部分：

1. 降采样
2. 数据分段
3. 去暂态
4. 选择导联

前期准备的代码框图、流程如下所示：
在这里插入图片描述

注：前置准备 理论上可以归类到 预处理阶段，本代码将两者分开基于以下考虑：

  1. 前置准备是数据处理的准备阶段，对脑电数据无损处理，不对原始数据进行变换、映射
  2. 为提升中间数据的可读性、可分析性，将原本9步骤的预处理，分为 4步【前置准备】 + 5步【预处理】

三、代码格式说明

本文非锁时任务态（下文以静息态代替）范例为：ADHD患者、正常人群在静息状态下的脑模式分类

  • 分段代码名称：代码命名为Standard_cut_rest
  • 输入格式：静息态为Data的结构体，内部为data命名的原始数据(通道*总采样点数)。
  • 参数设置：**采样率\单试次时长\试次标签\试次位置\频域去除暂态时长\降采样（防止数据过大导致运行和内存消耗）
  • 处理形式：**EEG数据汇总为cell（试次被试数），每个cell内为（通道数采样点数）。按照不同分类的类别放入不同cell，cell自身名称如下保存格式名称。例如任务态数据为{100，1}[16*512]，其意为16通道数据采集，100试次，单试次为512点数据点。
  • **保存格式：**单独保存个人的名称为Standard_input_target_xx(被试序号)，总保存文件名称为Standard_input_target\ nontarget _xx代表被试个数。

三、脑电处理 代码

提示：代码环境为 matlab 2018

3.0 参数设置

原采样率 fs_raw=500Hz，降低到 fs_down = 250Hz
一次进行10人次的批处理，subject_num = [1;10]
每段数据分段长度为2秒，epoch_length = 2
处理全部导联编号为1-128的电极，perocess_channel = [1 ; 128];

%% 0.!!!需手动调整参数
data_path = 'C:\Users\Amax\Desktop\basetest_flod\raw_data_flod\';
svae_path = 'C:\Users\Amax\Desktop\basetest_flod\save_fold\';
file_name_target = 'ADHD';
file_name_nontarget = 'Normal';
stuct_name =  'Data';

raw_temp_data = load ([data_path ,file_name_target,'1']);
raw_temp_data = raw_temp_data.Data.data;
fs_raw = 500;
fs_down = 250; %降采样后采样率
subject_num = [1;10];
temp_abandon = 20; %去掉的暂态，以秒为单位
epoch_length = 2;
perocess_channel = [1 ; 128];

经验建议：

  • 采样率降到300Hz以下，目前主流研究认为，静息态脑电有效频率<100Hz，根据脑奎斯特定理，采样率到200Hz以上即可。采样率是最影响计算时间的参数之一，尤其影响后期的非线性计算，绘图、特征分析等。
  • 建议每批处理人数<10人，如有大量被试应分为多组。一是由于多被试处理时间长，中间运算和调试周期较长；二是多被试计算结果存储量大，MATLAB对于2GB以上的数据存储较慢，并且下一阶段读取也缓慢。
  • 去暂态20s，temp_abandon = 20，是由于一般脑电设备开机后需要稳定波形，这个数值要根据设备、现场环境修改。

3.1 数据导入

导入原始数据，并输出显示基本数据信息：

%% 1.Standard_input
% 0.1 rest_data 输入数据格式为：通道数*采样点数
standard_time = floor(size(raw_temp_data,2)/fs_raw- temp_abandon);
remain_raw_time = standard_time - temp_abandon;
remain_trial = floor(remain_raw_time/epoch_length);
remain_confrim_time = remain_trial * epoch_length;

disp(['数据总时长: ' , num2str(standard_time) , '||暂态时长: ' , num2str(temp_abandon), '||修正剩余时长: ' , num2str(remain_confrim_time)]);
disp(['采样率: ' , num2str(fs_raw), '||每段时长: ' , num2str(epoch_length), '||试次数量: ' , num2str(remain_trial)]);

3.2 前置准备-主函数

主要功能依靠调用 Standard_cut_rest 函数实现：

%% 1.切分数据
disp(['数据分段中...']);
Standard_input_target = [];
Standard_input_nontarget = [];

Standard_input_target.fs = fs_down;
Standard_input_nontarget.fs = fs_down;

Standard_input_target.subject_num = subject_num;
Standard_input_nontarget.subject_num = subject_num;

[Standard_input_target.data,Standard_input_nontarget.data] = Standard_cut_rest(data_path,stuct_name,file_name_target,file_name_nontarget,fs_raw,fs_down,subject_num,remain_trial,epoch_length,temp_abandon,perocess_channel);
Standard_input_target.file = file_name_target;
Standard_input_nontarget.file = file_name_nontarget;
disp(['||已完成标准分段||']);

3.3 前置准备-功能函数

主功能函数 Standard_cut_rest ：

function[Standard_input_target,Standard_input_nontarget] = Standard_cut_rest(data_path,stuct_name,file_name_target,file_name_nontarget,fs_raw,fs_down,subject_num,remain_trial,epoch_length,temp_abandon,perocess_channel)
%% 0.参数说明
% data_path 数据路径
% file_name_target 目标数据统一名
% file_name_nontarget 非目标数据统一名
% fs_raw 原始数据采样率
% subject_num 被试起止编号
% remain_trial 剩余试次数
% epoch_length 单试次时长
% temp_abandon 暂态去除时长
% perocess_channel 有效数据通道的首末
Standard_input_target = cell(remain_trial,subject_num(2,1)-subject_num(1,1)+1);
Standard_input_nontarget = cell(remain_trial,subject_num(2,1)-subject_num(1,1)+1);

%% 1.切分数据
print_count=0;
sub_count = 1;
for sub_loop = subject_num(1,1):subject_num(2,1)
raw_data_target = load ([data_path ,file_name_target , num2str(sub_loop)]);
raw_data_target = raw_data_target.(stuct_name).data;
raw_data_target = downsample(raw_data_target',fs_raw/fs_down)';


raw_data_nontarget = load ([data_path ,file_name_nontarget , num2str(sub_loop)]);
raw_data_nontarget = raw_data_nontarget.(stuct_name).data;
raw_data_nontarget = downsample(raw_data_nontarget',fs_raw/fs_down)';

temp_abandon_point = temp_abandon * fs_down;
for trial_loop = 1:remain_trial
    cut_temp = [];
    cut_temp = raw_data_target(perocess_channel(1,1):perocess_channel(2,1), temp_abandon_point+ (trial_loop-1)*fs_down*epoch_length+1 : temp_abandon_point + trial_loop*fs_down*epoch_length);
    Standard_input_target{trial_loop,sub_count} = cut_temp;
    
    cut_temp = [];
    cut_temp = raw_data_nontarget(:, temp_abandon_point+ (trial_loop-1)*fs_down*epoch_length+1 : temp_abandon_point + trial_loop*fs_down*epoch_length);
    Standard_input_nontarget{trial_loop,sub_count} = cut_temp;
end
% disp(['输入标准化分段: ' , num2str(sub_loop/subject_num)]);

fprintf(repmat('\b',1,print_count));   
print_count=fprintf('计算标准化分段进度 : %f',sub_count/(subject_num(2,1) - subject_num(1,1)+1));
sub_count = sub_count+1;
end
fprintf('\n');
end

3.4 前置准备-结果保存

最终，结果保存：

%% 2.保存标准输入文件
disp(['标准分段保存中...']);
save([ svae_path , 'Standard_input_target_',num2str(subject_num(1,1)),'_',num2str(subject_num(2,1))],'Standard_input_target');
save([ svae_path , 'Standard_input_nontarget_',num2str(subject_num(1,1)),'_',num2str(subject_num(2,1))],'Standard_input_nontarget');
disp(['||已完成标准分段保存||']);
t_Standard_input_cost = toc;
disp(['标准输入格式调整完毕，耗时： ',num2str(t_Standard_input_cost)]);

四、前置准备 整体代码

静息态信号整体代码：

disp(['||0.静息态类数据处理-标准输入格式||']);
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%  
%% 0.!!!需手动调整参数
data_path = 'C:\Users\Amax\Desktop\basetest_flod\raw_data_flod\';
svae_path = 'C:\Users\Amax\Desktop\basetest_flod\save_fold\';
file_name_target = 'ADHD';
file_name_nontarget = 'Normal';
stuct_name =  'Data';

raw_temp_data = load ([data_path ,file_name_target,'1']);
raw_temp_data = raw_temp_data.Data.data;
fs_raw = 500;
fs_down = 250; %降采样后采样率
subject_num = [1;10];
temp_abandon = 20; %去掉的暂态，以秒为单位
epoch_length = 2;
perocess_channel = [1 ; 128];
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%  
tic;
%% 1.Standard_input
% 0.1 rest_data 输入数据格式为：通道数*采样点数
standard_time = floor(size(raw_temp_data,2)/fs_raw- temp_abandon);
remain_raw_time = standard_time - temp_abandon;
remain_trial = floor(remain_raw_time/epoch_length);
remain_confrim_time = remain_trial * epoch_length;

disp(['数据总时长: ' , num2str(standard_time) , '||暂态时长: ' , num2str(temp_abandon), '||修正剩余时长: ' , num2str(remain_confrim_time)]);
disp(['采样率: ' , num2str(fs_raw), '||每段时长: ' , num2str(epoch_length), '||试次数量: ' , num2str(remain_trial)]);

%% 1.切分数据
disp(['数据分段中...']);
Standard_input_target = [];
Standard_input_nontarget = [];

Standard_input_target.fs = fs_down;
Standard_input_nontarget.fs = fs_down;

Standard_input_target.subject_num = subject_num;
Standard_input_nontarget.subject_num = subject_num;

[Standard_input_target.data,Standard_input_nontarget.data] = Standard_cut_rest(data_path,stuct_name,file_name_target,file_name_nontarget,fs_raw,fs_down,subject_num,remain_trial,epoch_length,temp_abandon,perocess_channel);
Standard_input_target.file = file_name_target;
Standard_input_nontarget.file = file_name_nontarget;
disp(['||已完成标准分段||']);

%% 2.保存标准输入文件
disp(['标准分段保存中...']);
save([ svae_path , 'Standard_input_target_',num2str(subject_num(1,1)),'_',num2str(subject_num(2,1))],'Standard_input_target');
save([ svae_path , 'Standard_input_nontarget_',num2str(subject_num(1,1)),'_',num2str(subject_num(2,1))],'Standard_input_nontarget');
disp(['||已完成标准分段保存||']);
t_Standard_input_cost = toc;
disp(['标准输入格式调整完毕，耗时： ',num2str(t_Standard_input_cost)]);

总结

前置准备是数据处理的敲门砖，本文仅进行了基础的处理。
本文中静息态的前置准备，通过主功能函数 Standard_cut_rest 实现
静息态数据无时间锚点（triger，marker）,数据分段较为简单，一般分为等间距的数据段即可

当然

实际应用时会面临很多潜在的工程问题，例如仪器数据格式、软件运行内存、硬件运行时间等等…
代码工程嘛，就是面对现实…
挂一漏万，如有笔误请大家指正~

感谢您耐心的观看，本系列更新了约30000字，约3000行开源代码，体量相当于一篇硕士工作。

往期内容放在了文章开头，麻烦帮忙点点赞，分享给有需要的朋友~

坚定初心，本博客永远：
免费拿走，全部开源，全部无偿分享~

To：新想法、鬼点子的道友：

自己：脑机接口+人工智领域，主攻大脑模式解码、身份认证、仿脑模型…
在读博士第3年，在最后1年，希望将代码、文档、经验、掉坑的经历分享给大家~
做的不好请大佬们多批评、多指导~ 虚心向大伙请教！
想一起做些事情 or 奇奇怪怪点子 or 单纯批评我的，请至Rongkaizhang_bci@163.com

在这里插入图片描述

Coco恺撒
关注
  • 43
    点赞
  • 踩
  • 85
    收藏
    觉得还不错? 一键收藏
  • 64
    评论
专栏目录
脑机接口（BCI）的研究方法
nvsirgn的博客
10-19 5572
“ 嘘！悄悄插播的哦” （图1 BCIduino实物图） BCIduino 8通道脑电放大器具体参数如下： 输入阻抗：1TΩ 输入偏置电流：300pA 输入参考噪声：1μVpp 采样速率：250 Hz/500Hz 共模抑制比：-110dB 可调增益放大倍数：1、2、4、6、8、12、2 分辨率：24 位 ADC，精度最高可达 0.1μV 功耗：正常工作时 39mW，待机时低至仅 10μW 采用可充电锂电池供电，进一步降低来自外部的干扰。 尺寸：50mm*50mm（实物测量，存在细微误差），实物图如图1
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。
entsopycalculateanalyzed.rar_EEG_matlab 脑电 EEG_脑电 EEG_脑电 matlab_
07-14
近似熵MATLAB的计算程序2,可以通过此程序对脑电信号EEG进行分析
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被黑客攻击版本 在neurofeedback_applet下找到向参与者提供神经反馈的小程序 脑电数据的批处理 要批处理EEG数据，请按照下列步骤操作： 确保您要同时处理的所有数据都放在一个目录中 （取消）注释所需的代码，并在batch_function.m设置所需的常量。 确保正确选择输出变量。 运行main_script.m 被黑的脑电记录器 要运行被黑的EEG记录器，请导航到Matlab 2007b中的hacked_recorder目录，在Matlab提示符下键入EEG_recorder ，然后按回车键。 该程序将自动开始使用计算出的alpha和bèta值更新文件alpha.txt和beta.txt 。 要更改从总功率谱计算此值的方式，请更改eeg_power_processing.m的函数。
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...
基于LORETA的EEG静息态脑网络分析
u011661076的博客
10-24 1617
每个被试脑网络的数据存放在“Projections”文件夹中，“VEEG01_O-Tr-fICprojections”对应于老年组被试1，“VEEG01_Y-Tr-fICprojections”对应于青年组被试1。请根据提示‘双击此行’，在EEG文件夹中创建一个新文件夹(可以是任意名称，如TranspFica)，并在新文件夹中为ICA分析结果定义一个文本文件(如Tfica15)。最后，拖放20个老年组文件夹和20个青年组文件夹，总共必须有40行(如蓝色箭头所示)，表示40个文件夹，并单击Go。
8、静息态EEG微状态分析（上）
qq_43801989的博客
07-18 1666
提供精神/神经疾病的生理指标：对于不同的疾病而言，一个较为一致的发现是：相对正常健康被试而言，罹患上述疾病的病人某些微状态类别的持续时间变短，而另一些微状态类别的出现频率则增加。例如，通过对近15年来的精神分裂症静息态脑电微状态研究进行元分析，研究者发现精神分裂症患者微状态类别C的出现频率更高、微状态类别D的平均持续时间更短 (Rieger et al. 2016)。3、每个微状态类别的涵盖比例：它指的是每个微状态类别总的持续时间占全部静息态脑电时间长度。、如何确定地形图类别的数目：（1）强制为4个；
BCIduino脑电模块如何通过OpenBCI_GUI测阻抗？
nvsirgn的博客
09-27 1419
打开OpenBCI_GUI之后，连接上BCIduino，在图示的红圈里有一排按钮，点击一下就会出现阻抗数据。测试的时候需要戴上脑电帽（湿电极的需要打导电膏）/或者戴上肌电电极片。 #本篇由BCIduino脑机接口开源社区转载（公众号“BCIduino脑机接口社区”）。BCIduino脑机接口社区由来自北京航空航天大学、康奈尔大学、北京大学、首都医科大学等硕博发起成立，欢迎扫下面码加入社群（如果码过期了，可以添加wechat：cheitech，要求加入），也欢迎采购BCIduino脑电模块（某宝搜索即可）。
手把手教你EEG脑电数据预处理-原理篇
热门推荐
脑机接口社区
05-19 3万+
目录0. EEG data1. 定位通道数据2. 删除无用数据3.滤波4.分段5.基线校正6. 重参考7. 降低采样率8. 插值坏导9. 独立主成分分析10. 剔除坏段 本分享为脑机学习者Rose整理发表于公众号：脑机接口社区(微信号：Brain_Computer).QQ交流群：941473018 感谢简书ID:亚内士多德 授权分享 EEG脑电数据预处理-原理篇 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。
脑电EEG代码开源分享 【4.特征提取-频域篇】
weixin_44425788的博客
09-25 7555
个人认为脑电EEG具有特征处理风格，锁时任务特征偏时域，长时任务特征偏频域。 本系列将脑电任务分为锁时、长时的原因也在此。 大脑神经元放电产生振荡、节律信息，科学家对对节律的探索仍是起步和模糊状态。 脑电作为一种随机性+节律性的神经信号，目前对节律性的频谱分析较多。 但对随机性的探索还不足，推荐大家结合随机信号分析推出新的见解。 同时，对经典特征的融合、组合也是发掘更优混合特征的常用方式。 大家可以探索和发掘是用自己研究的优质特征策略。
【脑电信号分类】脑电信号提取PSD功率谱密度特征
脑机接口社区
10-17 1万+
点击上面"脑机接口社区"关注我们更多技术干货第一时间送达本文是由CSDN用户[frostime]授权分享。主要介绍了脑电信号提取PSD功率谱密度特征，包括：功率谱密度理论...
脑电信号特征提取
12-07
基于小波分析的脑电信号能量特征提取，先对脑电信号进行小波分解，提取小波系数，再用小波系数构造脑电信号的能量特征。
matlab脑电功率谱代码-M.Sc.-Thesis:脑电信息处理
05-28
matlab脑电功率谱代码硕士论文 发言题目：基于参数特征分析的情感状态分类中基于神经元脑电图的计算有效和鲁棒光谱特征信息提取模型的研究 概述描述：在本研究中，我们探索了在EEG特征提取任务中使用特征矩阵分解的各种参数PSD（功率谱密度）估计器模型。 该研究还对EEG波形的子空间维数估计进行了详细分析，这是基于本征分析的参数化PSD估计器必不可少的参数。 我们观察了计算光谱的标准偏差，绝对偏差，统计范数和其他统计参数的t值和p值，以分析光谱相关性。 该研究实现了PCA以减少特征尺寸空间，并探索了自动编码器的使用。 我们还探讨了从计算出的光谱中生成脑电图地形图像的概念，将其作为可能的特征提取方法。 提取的特征用于卷积神经网络，LSTM网络和多层感知器网络上，用于分类任务。 对于详细的数据可视化，我们使用了统计的Seaborn libray和Matplotlib3D。 有关研究的图和更多详细信息，请点击此处（）。 Github代码库说明：在“ transformation_matlab_codes”子目录中提供了用于频域转换的部分matlab代码库。 “ python_automation
EEG信号小波特征提取（开源）
03-07
利用小波变换对EEG信号进行特征提取，所采用的EEG信号为BCI竞赛数据库基于运动想象的EEG信号
基于EEG的特征提取
07-07
基于共空间模式的脑电信号处理，代码简短，便于使用
自己采集的静息态脑电eeg数据64导
02-28
静息态脑电 Ch1=Fp1,,0.1,µV Ch2=Fp2,,0.1,µV Ch3=F3,,0.1,µV Ch4=F4,,0.1,µV Ch5=C3,,0.1,µV Ch6=C4,,0.1,µV Ch7=P3,,0.1,µV Ch8=P4,,0.1,µV Ch9=O1,,0.1,µV Ch10=O2,,0.1,µV Ch11=F7,,0.1,µV Ch12=F8,,...
【重磅开源】MapleBoot项目开发规范
笑小枫
04-24 1787
Maple-Boot开源项目的基础规范，一些表设计思想，对象之间转换，项目目录规范等...
明日方舟游戏助手：一键完成日常任务 | 开源日报 No.233
开源服务指南
04-24 1147
MaaAssistantArknights 是一款《明日方舟》游戏的小助手，基于图像识别技术，支持一键完成全部日常任务。
AI大模型日报#0424：全球首个AI基因编辑器、出门问问上市、微软开源Phi-3 Mini、昆仑万维年收49亿
最新发布
常政·视角
04-24 907
AI大模型日报，爬虫+LLM自动生成，一文览尽每日AI大模型要点资讯！
帮我写几段用MATLAB分析静息态脑电数据的代码：1.求α频段的功率的代码 2.求α频段的能量的代码
06-01
以下是用MATLAB分析静息态脑电数据的代码示例： 1. 求α频段的功率的代码： ```matlab % 读取EEG数据 eeg_data = load('eeg_data.mat'); eeg = eeg_data.eeg; % 假设eeg是一个N x M的矩阵，其中N是时间点数，M是通道数 % 设定分析参数 fs = 1000; % 采样率 f_alpha = [8, 12]; % alpha频段的频率范围 % 计算功率谱密度 pwelch_params = struct('Fs', fs, 'Window', hann(512), 'OverlapLength', 256, 'NFFT', 1024); [pxx, f] = pwelch(eeg(:, 1), pwelch_params.Window, pwelch_params.OverlapLength, pwelch_params.NFFT, pwelch_params.Fs); % 提取alpha频段的功率 alpha_idx = (f >= f_alpha(1) & f <= f_alpha(2)); alpha_power = trapz(pxx(alpha_idx)); % 使用梯形积分法计算功率 % 显示结果 fprintf('Alpha power: %.3f\n', alpha_power); ``` 在这个示例中，我们假设EEG数据已经存储在了一个名为`eeg_data.mat`的MAT文件中，其中变量名为`eeg`。我们首先设定了采样率和alpha频段的频率范围，然后使用MATLAB的`pwelch`函数计算功率谱密度。该函数的输入包括信号、窗口函数、重叠长度和FFT长度等参数。在计算出功率谱密度后，我们使用梯形积分法计算出alpha频段的功率。 2. 求α频段的能量的代码： ```matlab % 读取EEG数据 eeg_data = load('eeg_data.mat'); eeg = eeg_data.eeg; % 假设eeg是一个N x M的矩阵，其中N是时间点数，M是通道数 % 设定分析参数 fs = 1000; % 采样率 f_alpha = [8, 12]; % alpha频段的频率范围 % 计算能量谱密度 pwelch_params = struct('Fs', fs, 'Window', hann(512), 'OverlapLength', 256, 'NFFT', 1024); [pxx, f] = pwelch(eeg(:, 1), pwelch_params.Window, pwelch_params.OverlapLength, pwelch_params.NFFT, pwelch_params.Fs); % 提取alpha频段的能量 alpha_idx = (f >= f_alpha(1) & f <= f_alpha(2)); alpha_energy = trapz(pxx(alpha_idx) / sum(pxx)); % 使用梯形积分法计算能量 % 显示结果 fprintf('Alpha energy: %.3f\n', alpha_energy); ``` 这个示例和上一个示例的主要区别在于计算的是能量谱密度而不是功率谱密度。能量谱密度可以认为是功率谱密度乘以采样间隔的平方，因此在计算alpha频段的能量时需要将功率谱密度除以总能量，以得到归一化的能量谱密度。另外，我们同样使用梯形积分法计算出alpha频段的能量。

“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 64
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