博客

脑电数据预处理和后续处理（EEGLAB）

  • Post author:
  • Post category:其他


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


版权声明：本文为swb719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。