【BI&AI】Lecture 8 - EEG data analysis hands on

Lecture 8 - EEG data analysis hands on

分析流程

Recap: 频域上的分析

Recap: ICA降噪

ICA: 用于从混合信号中分离出独立的成分或因素。它可以将观测到的多个信号分解为相互独立的成分，这些成分在原始信号中可能是混合在一起的。

假设采集EEG信号的帽子上有n个电极，则有n个观测信号，用$x_1$，$x_2$…$x_n$表示。采集到的信号可能包含除了脑电信号之外的其他信号，假设共有m个独立成分的混合，用$s_1$, $s_2$…$s_m$表示。
x和s之间满足一个关系式：$x=As$

举例，比如有20个观测信号，从中分离出来了20个独立成分，如何从20个成分选择我们需要的信号，可以根据经验判断都是什么信号，比如下图第一个信号是眼动信号，我们可以将s中第一行设置为0，逆变换回去就求得原始数据降噪后的x。

也可以根据脑地形图判断是否为噪声，对于脑电信号而言，感兴趣的成分通常在地形图上呈现出具有空间拓扑结构的分布。

Recap: Event-Related Potential(ERP)

间隔相同的时间，多次给予相同的刺激，并采集参与者的脑电EEG信号，将多次采集的信号划分为不同epoch求平均得到ERP。

MNE

MNE（Magnetoencephalography and Electroencephalography）工具包是一个用于脑电图（EEG）和脑磁图（MEG）数据分析的Python开源软件包。它提供了一系列功能和工具，用于处理、分析和可视化脑电图和脑磁图数据。

代码部分大家可以自己看视频讲解，在GitHub上也上传了代码，这里不再展示。