脑电EEG代码开源分享 【1.前置准备-静息态篇】

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】

• 往期文章
• 一、前言
• 二、前置准备 框架介绍
• 三、代码格式说明
• 三、脑电处理 代码
• • 3.0 参数设置
  • 3.1 数据导入
  • 3.2 前置准备-主函数
  • 3.3 前置准备-功能函数
  • 3.4 前置准备-结果保存
  • 四、前置准备 整体代码
  • 总结
  • To：新想法、鬼点子的道友：

    ---

    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：

    

    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