脑电数据预处理步骤讲解学习.doc

脑电数据预处理步骤学习好资料1）脑电预览。首先要观察被试脑电基本特征，然后剔除原始信号中一些典型的干扰噪声、肌肉运动等所产生的十分明显的波形漂移数据。 2）眼电去除。使用伪迹校正(correction)的方法，即从采集的 EEG 信号中减去受眼电(EOG)伪迹影响的部分。首先寻找眼电的最大绝对值，用最大值的百分数来定义 EOG 伪迹。接着构建平均伪迹，将超过 EOG 最大值某个百分比（如 10%）的眼电导联电位识别为 EOG 脉冲，对识别的 EOG 脉冲进行平均，由协方差估计公式(2-1)计算平均 EOG 脉冲和其它电极之间的 EEG 的传递系数 b: b=cov(EOG, EEG)/var(EOG) (2-1) 其中 cov 表示协方差(covariance)，var 表示方差(variance)。最后根据公式（2-2）对受眼动影响的电极在产生眼动的时间段的波形进行校正，点对点地用 EEG 减去 EOG： corrected EEG=original EEG-bEOG (2-2) 实验中设置最小眨眼次数为 20 次，眨眼持续时间 400ms。 3）事件提取与脑电分段。ERP 是基于事件（刺激）的诱发脑电，所以不同刺激诱发的 ERP 应该分别处理。在听觉认知实验中，多种类型的刺激会重复呈现，而把同种刺激诱发的脑电数据提取出来的过程叫做事件提取。这样，连续的脑电数据就会根据刺激事件为标准划分为若干段等长数据。以实验刺激出现的起始点为 0 时刻点，根据实验出现的事件对应的事件码，将脑电数据划分成许多个数据段，每段为刺激前 100ms 到刺激后 600ms。对每个试次（一个刺激以及相应的一段加工过程）提取一段同样长度的数据段。4）基线校正。此步骤用于消除自发脑电活动导致的脑电噪声，以 0 时刻点前的数据作为基线，假设 0 时刻点前的脑电信号代表接收刺激时的自发脑电，用 0时刻点后的数据减去 0 时刻点前的各点数据的平均值，可以消除部分的自发脑电噪声。从而使得经过基线校正后的脑电数据从偏向横轴的某一侧变成围绕横轴上下波动。 5）伪迹去除。此步骤用于去除肌电伪迹等高频干扰以及高波幅的慢电位伪迹，自适应伪迹去除算法的初始阈值设置为70，每次剔除脑电段数若大于全部试次的 20%则以 5V 的步长向上提升阈值重新进行剔除，直到 150V 为止。自适应的阈值是为了使被剔除的试次在每个被试中都不超过 20%，避免了固定阈值情况下由于不同被试脑电波幅差异而导致某些被试的正常脑电波被作为伪迹剔除掉。 6）转换参考。将参考电极转换成乳突参考电极 M1、M2 的平均参考。本研究的预处理实验中没有采取常规 ERP 实验中的叠加平均及数字滤波步骤。由于时域平均会直接把很多非锁相位信息给消除掉，不利于后续小波相干的计算，因此没有进行叠加平均。不采用数字滤波的原因是，后续研究中信号作小波变换后可以提取频率 49Hz 以下的小波系数作为特征，小波变换此时也起到了带通滤波器的作用，故数字滤波就没有必要执行。连续小波变换算法基本步骤：1）首先选定初始小波基函数，对齐所选择的小波函数和待分析的信号的起点；2）计算此时刻的小波变换系数 C；3）沿时间轴将小波函数中心位置向下一时刻（时间单位 b）移动，然后重复步骤(1-2)，最终求出进行时移后的小波变换系数 C。继续移动小波函数并运算，直到覆盖完整个待分析的信号的长度；4）对所选的小波函数进行伸缩，时间宽度缩减一个单位 a，重复步骤(1-2)；5）对所有的尺度重复步骤(1-4)。 根据上述运算，得到不同尺度及在不同的时间段的全部系数，表征了原始信号在这组小波上所投影的大小，可以以图像的方式直观地展示计算得到的结果。阈值的选取：（1） 首先选取一个合适的阈值，将阈值从1开始按步长慢慢减小，使之能保证网络的连通性，通过这个方法可以找到某个确定的阈值。（2）代替数据法确定阈值法，通过相位置乱得到替代数据，使该替代数据与原始数据具有相同的功率谱。（3）采用多个阈值，并分析多个阈值下的脑网络拓扑特征。脑网络构建步骤：（1）网络中节点的选择。一般来说，在 EEG 网络中，选取通道做节点。 （2）边的定义。一般根据脑网络中一些常用指标作为度量节点之间关联关系的系数，根据合适的关联强度得到关联矩阵。常用指标有互信息，相干性，同步似然性等。 （3）将步骤 2 中得到的关联矩阵选取合适的阈值，将其转化为二值矩阵，也就得到了节点之间连边的关系。C 表示中央区域（central），F 表示额头区域（frontal），FP 表示额头点击（frontal pole），P 表示头顶区域（parietal），T 表示颞叶区（temporal）。数字代表左右侧，即奇数代表左侧，偶数代表右侧。数据预处理：第一，REST 参考转换。第二，低通滤波。第三，去除眼电伪迹。第四，数据叠加平均。ERP 源定位：EEG 信号预处理后选取了每段数据的 100ms 到 450ms 之间的数据作为 ERP 源定位分析的最优数据段采用的是最小模算法（MN）来进行皮层源估计选取的头模型是标准的 MNI 头模型。DCM网络分析：根据上一模块中MN算法对4种条件下的EEG信号作逆问题求解并得到相应源定位结果，并把这些激活的脑区中心MNI位置作为脑网络节点来进行随后的DCM网络分析。DCM利用上述脑网络节点（激活脑区）进行皮层脑网络构建。统计检验：做了配对T检验统计分析，在同侧条件（同Left或Right）下分别比较网络之间的显著性差异；在异侧条件下（同go或nogo）下分别比较网络之间的显著性差异。精品资料