脑电信号处理与特征提取——1. 脑电、诱发电位和事件相关电位(胡理)
目录
一、 脑电、诱发电位和事件相关电位
1.1 EEG基本知识
1.2 经典的ERPs成分及研究
1.2.1 ERPs命名规则及分类
1.2.2 常见的脑电成分
1.2.3 P300及Oddball范式
1.2.4 N400成分
一、 脑电、诱发电位和事件相关电位
1.1 EEG基本知识
EEG(Electroencephalogram):脑细胞的自发性、节律性、综合性的电活动。
脑电信号的频率、波幅、位相是脑电信号的基本特征。
周期与频率即是指一个波离开基线到回到基线所花的时间(可以把基线理解为波上下波动所围绕的一条水平线,这是人为定义的一条线,准确定义是:脑波上下偏移的中心轴线)。
基线是人为定义的,且随着人的生理状态而发生改变,如精神极度紧张、呼吸不稳等因素会导致基线不稳,在小儿发育过程中,由于脑功能还不完善,也会出现基线不稳的情况。扯的有点远,关于基线,只需要知道它是一条人为定义的中心轴线即可。下图中红色箭头所指直线即为基线。
波幅指的是一个波的波峰到波谷的距离。因为脑电的基线会因为环境变换而动荡,所以不能简单的依据基线定义波幅。如上图绿色箭头所指直线所示,将两个波谷最低点连接起来,然后取波峰对应的点作直线到波谷最低点连成的直线上,线段的长度即为波幅。正常人脑电图波幅一般为10-100μV,波幅代表了脑电位的强度,波幅大小还与参与同步放电的神经元数目以及同步程度有关。举个例子来说,音乐会上唱歌的观众越多(神经元数目),且唱同一首歌且同一句(同步程度),那么场外记录到的声音越清晰明朗。
位相即指一个横轴代表时间,纵轴代表电位的脑电波,在某一时间点其在基线上或者下的位置,反映的是一个瞬时状态。以基线为标准,朝上的波称为负向波(负性波),朝下的波为正向波(正性波),再次注意负向波与正向波的定义,在后面分析脑电波的时候会经常遇到。如果两个波在某个瞬间位相一致,我们称之为同相位,如果相差180°,我们称之为位相倒置,好比两个人唱歌完全不在一个调上。
幅值:10~100uV
特点:自发性(无时无刻都在产生)、随机性(赋值正负随机变化,无规律性)、节律性(特定频率delta,theta,alpha,beta,gamma,比如图中闭眼的时候会出现α波)、节律性(脑电中样式相同、周期一致、而且是重复出现的活动)
频率和赋值之间有一定的关系。 δ:深度睡眠状态。低频高幅
θ:正常人在深度放松或浅睡眠状态下才会出现,觉醒时候出现属于不正常情况(但青年女性有时候会出现低幅度的)。
α:通常在放松状态下,闭目养神时候出现。人在清醒状态下闭眼时候常出现(犯困)。
β:紧张、精力集中时候才会出现。
ERPs的定义
事件相关脑电位(Event-Related Potentials,ERP)是基于脑电信号提取的,ERP包含在EEG之中,EEG泛指大脑产生的所有电信号,而ERP可以简单理解为EEG当中我们想要的、特定的一部分。
ERP是比自发脑电更弱,一般只有2到10微伏,通常淹埋在自发脑电中,所以ERP需要使用一定的技术手段才能从EEG中提取出来,ERP具有恒定的波形和潜伏期,因此才能够通过叠加平均的方式进行分离。
所有的ERP波形都是时间锁定和相位锁定的。时间锁定是指大脑对刺激事件的反应相对于基线的变化出现在同一时间段内,即潜伏期恒定;相位锁定是指大脑对刺激反应的能量值基于基线的变化方向一致,即波形恒定。
EEG和ERP都是脑电波,ERP是我们因为研究需要,通过技术手段将实验任务中具体刺激物出现时的EEG片段截取出来,再将这些EEG片段进行叠加平均后形成的具有恒定波形和潜伏期的脑电波。
通过叠加平均的方式对ERP成分分离有两个重要的前提条件。第一个是在静息状态时我们大脑神经元放电交错复杂且无规律,EEG波形不锁时也不锁相,在进行多次叠加平均后可近似抵消趋于平稳;第二个由任务事件引发的成分是锁时锁相的,在进行叠加的时候不会被抵消,如下图中将波形进行叠加平均后,ERP成分被很好地分离出来。
ERP的两个重要特点:波形恒定、潜伏期恒定(所以可以直接叠加) 。
得到一个ERP波,需要关注两个值:峰值、潜伏期。
1.2 经典的ERPs成分及研究
1.2.1 ERPs命名规则及分类
视觉刺激:
视觉一般在40ms后会出现,而听觉是直接出现。即听觉会比视觉先做出反应。
听觉刺激:
体感刺激:(通常用电刺激)
1.2.2 常见的脑电成分
1.2.3 P300及Oddball范式
P300:300ms出现的一个正向波。
实线:注意实验,虚线:非注意实验。
概率越小,P300越明显波幅越大。靶与非靶均是反比。
靶刺激和非靶刺激同概率,均会产生P300,但非靶刺激弱,只不过仅仅关注靶刺激的,不关注非靶刺激。
新奇刺激不同于其他类型的刺激,比较新奇。新奇刺激主要产生P3a,其他产生P3b
P3a出现位置比较靠前,也比P3b较短。
1.2.4 N400成分
与语言相关。出现在400ms左右的波形。上负下正。
语义不匹配或者冲突时候诱发N
运动性失语症:是大脑左半球额叶损伤,即大脑S区损坏所导致的综合征,患者虽然发音器官并没有毛病,却失去了说话的能力,患者仍保留听懂别人说话,以及写字,和阅读的能力。
感受性失语症:不能理解口语或书面语,特别是不能理解或说出口语及说不出物体的名称和性质。
但进一步研究发现,与P300相似,N400也有许多子成分,分别与不同的认知过程相关,有彼此不同的脑内源。而且也发现N400不仅与语言加工有关,面孔、画图等非语言刺激也能诱发N400。
脑电信号处理与特征提取——1. 脑电、诱发电位和事件相关电位(胡理)相关推荐
- 脑电信号处理与特征提取——4.脑电信号的预处理及数据分析要点(彭微微)
目录 四.脑电信号的预处理及数据分析要点 4.1 脑电基础知识回顾 4.2 伪迹 4.3 EEG预处理 4.3.1 滤波 4.3.2 重参考 4.3.3 分段和基线校正 4.3.4 坏段剔除 4.3. ...
- 如何用matlab进行脑电信号处理,基于matlab的脑电信号处理
调用noise_reduce.m文件,可以实现脑电信号的小波变换默认阈值去噪处理,原始数据及去噪处理结果对比如下图7所示. 图7 原始信号与小波默认阈值去噪结果图的对比 从原始脑电信号与去噪处理后的效 ...
- matlab脑电信号处理,基于matlab的脑电信号处理
图3信号频谱图 从频谱图中可以看出,低频信号和11Hz左右的信号特别强,25Hz以上的信号几乎为零.由于α波的频率为8~13Hz,由此可以知道,该信号中α波比较多.在脑电采集过程中,被采集者没有处于深 ...
- python处理脑电信号_用ICA去除脑电信号中的眼球链接
你有没有注意到你的"组件"完全是原始信号的比例和颠倒?这是因为你不能得到比信号更多的成分.在 您需要执行以下步骤:将所有EEG通道输入ICA 手动移除包含眨眼或其他伪影的组件 用反 ...
- matlab脑电信号特征提取,一种脑电信号实时特征提取方法与流程
本发明涉及一种特征提取方法,具体涉及一种脑电信号实时特征提取 方法. 背景技术: 在脑机接口(Brain computer interface,BCI)系统中,需通过实 时特征提取来从头皮脑电位中得到 ...
- 脑电信号特征提取——近似熵
一.近似熵 ⇒\Rightarrow⇒点击此处--Python代码实现 \:\:若干个相似向量从 k 维空间增加至 k+1 维向量时仍然保持着较高的相似性的概率 1.算法步骤 设原始信号为{x(i), ...
- 011小波域和机器学习在脑电信号癫痫发作检测中的应用-2022
On the Use of Wavelet Domain and Machine Learning for the Analysis of Epileptic Seizure Detection fr ...
- 常见采集脑电信号的四种技术
目录 脑电图(Electroencephalography,EEG) 皮层脑电图(Electrocorticography, ECoG) 深度电极(Depth electrode) 功能磁共振成像(F ...
- 脑电信号处理(EEG/SEEG)工具介绍
本文转载于Alex_ching的博文脑电信号处理(EEG/SEEG)工具介绍,旨在了解脑电信号处理工具,防止自己迷路,感谢这位博主的总结 脑电信号处理(EEG/SEEG)工具介绍 1. EDFbrow ...
最新文章
- 初中计算机指导教师意见,初中信息技术教学计划(推荐3篇)
- Python代码编写过程中有哪些重要技巧?
- 计算机系统验证课件,回顾性验证及再验证简介(ppt 42页)
- Mac OS X如何进行字体管理
- java获取UUID与UUID的校验
- python顺序表数组_数据结构 | 顺序表
- [结对2]必应缤纷桌面软件测试报告
- Oracle在不同的语言环境结果to_date错误的问题
- 哪些信用卡取现0手续费?
- TVM:源码编译安装
- RTSP播放器或RTMP播放器常用的事件回调设计
- ai电磁组属于什么组_星巴克的“气氛组”究竟是一个什么样的神秘组织?
- 360云台智能看家存储在哪_新品360智能摄像机云台变焦版,惊喜改变可不止一点点...
- python配置环境是干啥的_Python配置环境
- Zookeeper启动失败,报错 can not open chanel to 2
- UIKit框架-基础控件Swift版本: 7.UISwitch方法/属性详解
- model.train() model.eval()
- 阶段3 1.Mybatis_11.Mybatis的缓存_3 mybatis一对一实现延迟加载
- 小白如何准备数学建模——以美赛为列
- Win10兼容性怎么设置详细的步骤
热门文章
- 步进电机的匀加速程序
- python实现青马易站自动刷题
- flink的(Sliding)滑动窗口
- Efficient reversible data hiding for JPEG images with multiple histograms modification(论文阅读)
- RAC 管理(crs_stat、crsctl、srvctl)
- Java Swing 界面学习笔记
- 马化腾力挺红米2,却忘记小米是头饿狼,迟早会噬扑微信
- arduino学习笔记二十--无源蜂鸣器+ARDUINO开发板播放音乐
- 【苏格拉底言行录】 第四卷
- newcoder刷题笔记一