前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >letswave7中文教程1:软件安装与脑电数据导入

letswave7中文教程1:软件安装与脑电数据导入

作者头像
脑机接口社区
发布于 2020-06-30 07:26:34
发布于 2020-06-30 07:26:34
1.1K0
举报
文章被收录于专栏:脑机接口脑机接口

Letswave是一款非常好用的神经生理信号处理分析工具,支持从主流的脑电图放大器中导入数据,为数据预处理和时频域信号分析提供多种功能。而且用户友好的界面使文件管理、批处理操作、统计分析和发布的图形生成变得容易。与其他信号处理工具相比,Letswave是一种直观、流线型的脑电图数据处理可视化工具,学习曲线较浅。

下面Rose小哥将为大家分享letswave7的常见使用方法。

这是第一部分:letswave7的安装与数据导入。

这部分主要包括4点内容:

  1. 安装;
  2. 数据集介绍;
  3. 数据集导入;
  4. 数据集检查。

1.安装

第一步,先将下载下来的letswave7压缩包,解压并拷贝到Matlab中的toolbox里,如下图:

第二步,设置路径。在Matlab的工具面板上,找到设置路径,如下图,并点击。

在弹出的界面中,选择下面红框1“添加并包含子文件夹”。选中letswave7,将其导入,最后切记要保存。

2.数据集介绍

这里采用的该数据集来自单受试者的P300实验,由BrainAmp (BrainProducts GmbH, Germany)记录,64通道,1000Hz采样率,参考电极FCz。在屏幕上的黑色方块目标刺激(标记为“S 9”),白色为非目标刺激(标记为“S 10”)进行视觉Odd-ball实验。每个矩形方块持续80毫秒,ISI 持续200毫秒。在两分钟共安排了600次刺激试验,其中目标刺激的可能性为5%。要求参与者计算出黑色方块的数量,并在会话结束后汇报。要求参与者在实验时注意力集中在屏幕上。

图片来源于 西南大学心理学院的王一峰老师的课件

Oddball实验模式是指采用两种或多种不同刺激持续交替呈现,它们出现的概率显著不同。

标准刺激(standardstimuli)——大概率

偏差刺激(deviantstimuli)——小概率

令参与者对偏差刺激进行反应,因此该偏差刺激称为靶刺激(Target)或目标刺激。

诱发P300、MMN等与刺激概率有关的ERP成分时的经典实验模式。

数据集包括3个文件sub093.eeg, sub093.vhdr以及 sub093.vmrk.

3. 数据集导入

第一步,在Matlab的命令窗口中输入"letswave7",打开letswave7。并将letwave7的路径设置为数据集的文件夹,本示例为:"F:\letswave\rawdata1"。

第二步,在管理器模块的菜单中选择"File->Import->Import EEG / MEG datafiles"。

弹出导入数据对话框,并点击"+"添加文件“sub093.eeg”

第三步,点击下图中的绿色三角形图标以导入数据集。

导入完成后。相应的数据集变为红色并显示“sub093(Done)”。关闭导入数据对话框,数据集“sub093”将出现在管理器模块中。

4.数据集检查

第一步,选择数据集“sub093”,然后在菜单中点击“View->continues DateViewer”,检查导入的数据集的数据质量。

在连续数据查看器中,可以看到通道P1明显异常。因此,在接下来的步骤中,我们将通道P1视为坏电极,应通过周围通道对其进行插值。

上述图可以看到P1通道的数据很异常,可以点开界面左下角处的OnlineButterworth Filter的Enable进行高低通滤波,查看。

利用周围通道(这里选取了C1、C2、P2)进行插值:

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2020-05-05,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 脑机接口社区 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
letswave7中文教程2:脑电数据预处理-通道位置分配
原始的脑电图信号是有噪声的。预处理对于提高信号的信噪比以获得“清晰”的脑电图数据是非常有必要的。但是,想要完全区分噪音和信号却是几乎不可能的。在脑电信号中,信号与噪声常常混合在一起。在某些步骤中,某些伪影可以很容易地识别和删除。而有些步骤在去噪时可能会滤除部分信号。此外,一些步骤甚至会引入一些噪音。
脑机接口社区
2020/06/30
1.2K0
国外研究团队对意识(认知)评估听觉范式的新型改善方法
利用Oddball(新异刺激)听觉范式(后文中部分内容译为:反常听觉范式)进行意识情况识别已成为脑机接口(BCI)领域的一个重要研究课题。对于注意力有限的患者来说,尽可能缩短获取评估所需的足够数据的时间是至关重要的。本研究旨在通过测试不同的设定和刺激方法,减少Oddball听觉范式的评估时间。一类范式使用被试主体自己的名字作为偏差声音刺激。另一类范式使用标准正弦波声音进行刺激。在一组9名健康被试人员中,在4种不同的Oddball听觉范式条件下记录被试者的脑电图(EEG)活动。为了进行对比,我们计算了每个范式下的P300曲线下的面积。首先,我们证明了含有受试者名字的范式下比正弦音范式下产生了更大面积的P300区域。更重要的是,我们发现与标准听觉范式相比,“名称范式”需要更少的试验刺激次数就能获得类似的结果。这意味着与使用正弦波相比,听觉范式的执行时间是可以被减少的。
脑机接口社区
2022/09/22
8870
国外研究团队对意识(认知)评估听觉范式的新型改善方法
ERPLAB中文教程:创建与查看EventList
在介绍内容之前,先介绍ERPLAB中的几个关键概念。EEGLAB将一组脑电图数据存储在数据集中。数据集通常存储来自单个受试者的数据,可以是单个试验块,要么是整个会话。数据集保存在EEGLAB的内存中,也可以保存在磁盘上。每当运行更改数据集中数据的例程时,都会创建一个新的数据集。你可以在“数据集”菜单中看到当前可用的数据集。一个数据集当前处于活动状态,你运行的任何例程通常都将应用于当前数据集。创建新数据集时,它将成为当前数据集,当然,你也可以通过在“数据集”菜单中选择其他数据集来进行操作。
脑机接口社区
2020/06/30
2.4K0
EEGNet:一个小型的卷积神经网络,用于基于脑电的脑机接口
脑机接口(BCI)利用神经活动作为控制信号,可以与计算机直接通信。这种神经信号通常从各种研究充分的脑电图(EEG)信号中选择。对于给定的脑机接口(BCI)范式,特征提取器和分类器是针对其所期望的脑电图控制信号的不同特征而定制的,这限制了其对特定信号的应用。卷积神经网络(Convolutional neural networks, CNNs)已被用于计算机视觉和语音识别中进行自动特征提取和分类,并成功地应用于脑电信号识别中;然而,它们主要应用于单个BCI范例,因此尚不清楚这些架构如何推广到其他范例。在这里,我们想问的是,我们是否可以设计一个单一的CNN架构来准确地分类来自不同BCI范式的脑电图信号,同时尽可能小型的方法。在这项工作中,我们介绍了EEGNet,一个小型的卷积神经网络为基于脑电图的BCI。我们介绍了深度卷积和可分离卷积的使用来构建脑电图特定模型,该模型封装了众所周知的脑机接口脑电图特征提取概念。我们比较了EEGNet,包括被试内和跨被试分类,以及目前最先进的四种BCI范式:P300视觉诱发电位、错误相关负波(ERN)、运动相关皮层电位(MRCP)和感觉运动节律(SMR)。我们表明,当在所有测试范例中只有有限的训练数据可用时,EEGNet比参考算法更好地泛化,并取得了相当高的性能。此外,我们还演示了三种不同的方法来可视化训练过的EEGNet模型的内容,以支持对学习到的特征的解释。意义:我们的结果表明,EEGNet足够鲁棒,可以在一系列BCI任务中学习各种各样的可解释特征。本文发表在Journal of Neural Engineering杂志。
用户1279583
2021/12/05
2.1K0
EEGNet:一个小型的卷积神经网络,用于基于脑电的脑机接口
上海交大情感脑电数据集(SEED)简介
SEED数据集包含对象观看电影剪辑时的脑电信号。仔细选择影片剪辑,以引起不同类型的情感,包括积极(positive),消极(negative)和中性(neutral)的情感。
脑机接口社区
2020/06/30
10.2K0
上海交大情感脑电数据集(SEED)简介
真实飞行条件下使用六干电极EEG系统基于ERP和功率谱以监测飞行员的精神负荷
最近的技术进步使低成本和高度便携的大脑传感器得以发展,如内置预放大电路的干电极,可以在实验室之外测量认知活动。这项技术为在复杂的现实生活情况下(如操作飞机)监测“大脑工作”开辟了前景广阔的前景。然而,有必要在真实的操作条件下对这些传感器进行基准测试。
脑机接口社区
2023/02/14
7240
真实飞行条件下使用六干电极EEG系统基于ERP和功率谱以监测飞行员的精神负荷
HAPPE+ER软件:标准化事件相关电位ERP的预处理的pipeline
事件相关电位(ERP)设计是一种用脑电图(EEG)评估神经认知功能的常用方法。然而,传统的ERP数据预处理方法是手动、主观、耗时的过程,许多自动化处理方法也很少有针对ERP分析有优化(特别是在发展或临床人群中)。本文提出并验证了HAPPE+事件相关(HAPPE+ER)软件,标准化和自动化预处理过程,且优化了整个生命周期的ERP分析。HAPPE+ER通过预处理和事件相关电位数据的统计分析来处理原始数据。HAPPE+ER还包括数据质量和处理质量指标的事后报告,标准化对数据处理的评估和报告。最后,HAPPE+ER包括后处理脚本,以方便验证HAPPE+ER的性能或与其他预处理方法的性能进行比较。本文用模拟和真实的ERP数据介绍了多种方法,HAPPE+ER软件可在https://www.gnu.org/licenses/#GPL的GNU通用公共许可证条款下免费获得。
悦影科技
2022/10/10
7550
用于追踪认知任务期间的亚秒级脑动态的高密度脑电
这项工作为社区提供了高密度脑电图(HD-EEG, 256个通道)数据集,这些数据集是在无任务和任务相关范式下收集的。它包括43名健康的参与者执行视觉命名和拼写任务,视觉和听觉命名任务和视觉工作记忆任务,以及静息状态。HD-EEG数据以脑成像数据结构(bid)格式提供。这些数据集可以用来(i)追踪大脑网络动力学和在不同条件下(命名/拼写/其他)的次秒级时间尺度,和模态(听觉、视觉)的快速重新配置和相互比较,(ii)验证几个方法中包含的参数,这些方法是用来通过头皮脑电图估计大脑皮层网络,例如最优通道数量和感兴趣区域数量的问题,以及(iii)允许到目前为止使用HD-EEG获得的结果的再现性。我们希望,这些数据集的发布将推动新方法的发展,可以用来评估大脑皮层网络,并更好地了解大脑在休息和工作时的一般功能。 数据可从https://openneuro.org免费获取。 1.1.背景和概要 新的证据表明,来自于空间上遥远的大脑区域之间的通信导致大脑功能(失能)。尽管在过去的几十年里,功能性磁共振成像已经给神经科学带来了革命性的变化,但其固有的时间分辨率较差,这是限制其用于跟踪快速大脑网络动态的主要缺陷,而这种网络动态是多个大脑(认知和感知运动)过程执行的基础。脑电图/脑磁图(EEG/MEG)是一种独特的非侵入性技术,能够在毫秒的时间尺度上跟踪大脑动态。 在无任务范式和任务相关范式下,已经有一些研究使用脑电图/脑磁图源连通性方法来跟踪大脑皮层网络。然而,尽管人类连接组项目(HCP)和几个脑电图数据集的MEG数据集模型得到了人们的称赞,但只有很少的数据可以同时用于休息和任务,并且在不同任务中开放获取的高密度脑电图(HD-EEG, 256个通道)数据仍然缺失。 HD-EEG与复杂的信号处理算法相结合,正日益将EEG转变为一种潜在的神经成像模式。最近的脑电图研究揭示了在休息和认知任务期间跟踪快速功能连接动态的可能性。此外,一些研究报告了HD-EEG数据(与低脑电通道密度相比)在某些病理条件下的潜在应用,如癫痫网络的定位和神经退行性疾病中认知功能下降的检测。此外,新出现的证据表明,在一定程度上,使用HD-EEG可以捕获皮层下的结构。在这种背景下,无任务和任务相关的可用性开放HD-EEG数据库正在快速成为强制性的(i)解读(次秒级)重组的脑功能网络在认知,(ii)开发新的信号处理方法,充分估计大脑皮层网络和(iii)允许使用HD-EEG到目前为止结果的再现性。 在此,我们提供了第一个开放获取的HD-EEG(256通道)数据集,在休息状态和4种不同的任务(视觉命名、听觉命名、视觉拼写和工作记忆)下记录。部分数据已经被用于开发和分析各种信号处理方法。 特别地,我们的努力集中在对休息和图片命名期间的脑功能网络的估计上。然而,这些研究都没有描述数据集的细节,而且到目前为止的工作只用了小部分数据。在这项工作中,我们提供了所有必要的细节和一个开放的数据库,以便国际科学界能够在无任务和与任务相关的范式中自由地产生对大脑功能的更好的理解。这也将有助于新方法的开发,以提高目前使用的HD-EEG评估皮质脑网络的技术的准确性,并通过比较结果和未来的meta分析来使得这些技术互相面对。我们希望这个数据集将有助于使脑电图源空间网络分析成为一种成熟的技术,以解决认知和临床神经科学中的一些问题。 1.2 方法 1.2.1 数据采集 数据是2012年至2017年在法国雷恩进行的两项不同实验中收集的。第一数据集包括视觉对象名字的命名和拼写(图1)。第二个数据集包括静息状态、视觉/听觉命名和视觉工作记忆任务(图2)。同样的设备中使用的数据集和录音都在同一个地方(雷恩大学医院中心)。采用HD-EEG系统(EGI,256个电极)以1 KHz采样率记录脑活动,电极阻抗保持在50 k ω以下。两项研究的参与者是不同的。他们提供了参与的书面知情同意,并完成了一些纳入/排除标准问卷(总结见表1)。参与者坐在法拉第结构房间的扶手椅上。房间由百叶窗减弱的自然光照亮。我们的参与者的头大约位于屏幕前1米。图像以白色背景上的黑色图画的形式集中呈现,没有任何尺寸修改(10厘米x 10厘米)。这种设置对应于从注视点的最大靠近度2.86度的视角,从而使整个图像处于参与者的中心凹视野内。声音通过50瓦的罗技扬声器显示,没有任何音频隔离的可能性。
悦影科技
2021/05/01
6440
用于追踪认知任务期间的亚秒级脑动态的高密度脑电
脑信号数据下载
《Interaction of Bottom-up and Top-down processing in the fast visual analysis of natural scenes》相关的数据集地址:
脑机接口社区
2020/07/28
8530
使用时空-频率模式分析从脑电数据的一些试验中提取N400成分
关于高小榕教授的介绍,可以查看本社区之前分享的《第1期 | 国内脑机接口领域专家教授汇总》
脑机接口社区
2020/07/28
8760
EEG/ERP研究中使用头皮表面拉普拉斯算法的问题和考虑
尽管表面拉普拉斯算法可能抵消的容积传导和对表面电位数据记录参考的不利影响,电生理学学科一直不愿采用这种方法进行数据分析。这种顾虑的原因是多方面的,往往涉及到对潜在转换性质的不熟悉、感知到的数学复杂性的威胁,以及对信号损失、密集电极排列需求或噪声敏感性的担忧。我们回顾了容积传导和允许任意选择脑电参考所引起的缺陷,以一种直观的方式描述了表面拉普拉斯变换的基本原理,并举例说明了常见参考模式(鼻子、连接乳突、平均)和用于频繁测量的EEG频谱(theta, alpha)以及标准ERP成分(如N1或P3)的表面拉普拉斯转换之间的差异。我们特别回顾了表面拉普拉斯算法普遍应用中的一些常见的局限,这些局限可以通过适当选择样条弹性参数和正则化常数进行球面样条内插来有效地解决。我们从实用主义的角度认为,这些局限不仅是没有根据的,而且一直使用表面电位对脑电图和ERP研究的进展构成了相当大的障碍。本文发表在International Journal of Psychophysiology杂志。
用户1279583
2022/02/28
1.1K0
EEG/ERP研究中使用头皮表面拉普拉斯算法的问题和考虑
letswave7中文教程4:脑电数据预处理-时域分析
在管理器模块数据列表中选择数据集“sp_filter ica chan_interp butt sel_chan sub093”,在菜单中点击Process->Epochsegmentation-> Segment relative to events (one file per event code)。
脑机接口社区
2020/06/30
1K0
letswave7中文教程4:脑电数据预处理-时域分析
脑电数据收集,处理和分析的基础
在进行EEG数据分析时,需要进行各种预处理来筛选、清洗得到较好的EEG数据,所有这些预处理步骤都需要就数据的预期影响做出明智的决定。
脑机接口社区
2020/06/30
2.3K0
ERPLAB中文教程:ERPLAB安装与添加通道
ERPLAB是免费开源的Matlab软件包,用于分析ERP等脑电数据。ERPLAB扩展了EEGLAB的功能,为ERP的处理、分析和可视化提供非常棒的工具。不管你是初学者还是高级用户,ERPLAB都非常的好用。对于初学者来说的图形用户界面易于学习,而Matlab脚本为中级和高级用户提供了强大的功能。
脑机接口社区
2020/07/01
2.2K0
letswave7中文教程3:脑电数据预处理-ICA去除伪影
独立成分分析(ICA)是一种盲信号分离(Blind Signal Separation,BSS)方法。ICA可线性建模如下图所示.
脑机接口社区
2020/06/30
1.1K0
letswave7中文教程3:脑电数据预处理-ICA去除伪影
深度学习在神经营销中基于脑电的偏好分类
博主前几天读到了一篇文献(Deep Learning for EEG-Based Preference Classification in Neuromarketing ),甚是震撼,觉得这篇文献简直是教科书级别的论文,特别适合小白入门脑机接口领域。文献对神经营销相关的知识整理得比较到位,虽然还说不上100%全面和完整,但也给人很好的概念和框架。实在忍不住把论文打印下来做了手写版笔记,并整理发一篇论文解读。
脑机接口社区
2022/08/17
5810
深度学习在神经营销中基于脑电的偏好分类
婴儿EEG数据的多元模式分析(MVPA):一个实用教程
时间分辨多变量模式分析(MVPA)是一种分析磁和脑电图神经成像数据的流行技术,它量化了神经表征支持相关刺激维度识别的程度和时间过程。随着脑电图在婴儿神经成像中的广泛应用,婴儿脑电图数据的时间分辨MVPA是婴儿认知神经科学中一个特别有前途的工具。最近,MVPA已被应用于常见的婴儿成像方法,如脑电图和fNIRS。在本教程中,我们提供并描述了代码,以实现婴儿脑电图数据的MVPA分析。来自测试数据集的结果表明,在婴儿和成人,这种方法具有较高的准确性。同时,我们对分类方法进行了扩展,包括基于几何和基于精度的表示相似度分析。由于在婴儿研究中,每个参与者贡献的无伪影脑电图数据量低于儿童和成人研究,我们还探索和讨论了不同参与者水平的纳入阈值对这些数据集中产生的MVPA结果的影响。
悦影科技
2022/06/13
1K0
新手必看!EEGLAB工具包下载、安装及数据导入教程
EEGLAB是一款免费、开源的且应用最广泛EEG数据处理和分析工具包,本文详细介绍EEGLAB工具包的下载、安装及数据导入步骤,希望对大家有用。
悦影科技
2020/11/13
4.7K0
新手必看!EEGLAB工具包下载、安装及数据导入教程
Nature子刊 | ChineseEEG: 一个基于中文语料刺激的高通道EEG数据集
研究人员意识到,目前主流的语言处理研究和认知神经科学研究多集中在英语等西方语言上,但全球有数亿人使用其他语言,特别是中文。中文具有独特的语法结构、丰富的字符系统和复杂的语义网络,这使得它在认知处理上可能有着不同于英语的特点。因此,深入研究中文语言的神经机制不仅有助于全面理解人类语言处理的普遍规律,还能为跨文化、跨语言的认知科学研究提供重要的理论依据和数据支持。
脑机接口社区
2024/06/21
7420
Nature子刊 | ChineseEEG: 一个基于中文语料刺激的高通道EEG数据集
神经质量模型主导的深度神经网络改善脑时空动力学的电生理源成像
3)通过比较DeepSIF结果与有创测量和手术切除结果,严格验证DeepSIF在20名耐药癫痫患者队列中识别致痫区域的能力。
脑机接口社区
2023/02/13
6540
推荐阅读
相关推荐
letswave7中文教程2:脑电数据预处理-通道位置分配
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档