脑电：时域分析(任务态)

于 2025-03-15 16:35:37 发布
阅读量270 收藏
点赞数 3
CC 4.0 BY-SA版权
分类专栏： EEG--脑电 文章标签： EEG 时域分析
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/nisidjndn/article/details/146281414

时域分析：时间序列（时域信号）

EEG和ERP都是时间序列

ERP：事件诱发的电位是随着时间变化

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

组水平：需要这一组的个体不能差异性太大。

提值的指标，选取平均幅值确定成分的显著情况

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

mean(EEG.data,3):

在第三个维度上进行平均叠加–>对前两个维度的数据平均求和

squeeze是将维度为1的维度挤压，降维度。

第四步（找成分，定时间窗）：

根据确定通道（感兴趣通道）波形图来找到显著的成分，波峰P，波谷N选择时间窗（在极点处左右对称取时间段）

第五步（画地形图）：在选定的时间窗里，绘制出各通道的电位幅值大小（由colorbar的颜色程度可看出）

展示出时间窗内，所有电极的电位情况（波形图是一个电极在时间上的电位情况）

特殊需求（如何确定maplimits的区间值）：

通过代码来找到时间窗内数据绝对值的最大值，根据最大值的线性值来确定maplimits

带有条件marker的时域分析

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

感兴趣通道的组水平波形图：

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

不同条件下，是否含有成分

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

[外链图片转存中...(img-8GO3iIC6-1742027516379)]

脑科学磁共振成像（MRI)初学者必看——功能脑网络、小世界网络、FDR校正、脑电信号频率变换、模板、假设检验、广义线性模型、独立成分分析、影像组学、任务态和静息态方法汇总
从事脑科学核磁共振方法学研究，在Nature communications等权威期刊发表研究论文，熟练掌握磁共振处理方法和统计学方法，欢迎大家和我交流。
04-17 2万+
磁共振成像初学者必看一、浅谈功能脑网络二、不同模态脑网络的构建功能脑网络结构脑网络白质纤维束脑网络加权网络二值网络三、趣谈散点图与相关系数四、脑电信号频域变换五、fMRI中的FDR校正六、模板（mask）1、模板(mask )往往是与ROI联系在一起的2、mask作用的原理3、常见的mask七、假设检验和效果量八、组水平标准化九、由 ALFF 说开去十、计算机存取MRI影像的那些事十二、Linux基础命令十三、浅谈标准空间模板和空间变换一：标准空间模板二：空间变换十四 、 功能连接十五、大脑激活与功能连接的
脑电数据处理——预处理
weixin_48539970的博客
02-05 6134
可以看到，分段和基线校正已经完成了。
脑电信号分析,描述了脑电信号分析分析方法，频域分析、时域分析、小波变换、人工神经网络(ANN)分析、非线性动力学分析！
12-09
该文档对EEG分析进行了简介，描述了脑电信号分析分析方法，频域分析、时域分析、小波变换、人工神经网络(ANN)分析、非线性动力学分析！ 可参照《脑电信号EEG分析方法的现状与发展》.
letswave7中文教程4：脑电数据预处理-时域分析
脑机接口社区
05-12 3279
目录第7步：分割/Epoching第8步：剔除伪影第9步：重参考(Rereference)第10步：基线校正第11步：平均 本分享为脑机学习者Rose整理发表于公众号：脑机接口社区(微信号：Brain_Computer).QQ交流群：941473018 在本章中，我们将继续对ICA过滤后的P300数据集进行预处理。 说明，这部分的教程是基于前面几次教程的基础上进行的。所以要进行ICA预处理进行伪影去除，需要: 先导入数据《letswave7中文教程1：软件安装与脑电数据导入》; 然后进行通道分配《lets
整理和转载：脑电的频谱和时域分析
qq_38341276的博客
04-13 1325
1.背景 静息态：通常频域分析；任务态通常时频分析； 任务态通常指是执行具体实验范式时候的状态！ 2.频谱分析概念和常用方法 例子 方法： 1）傅里叶变换 NOTE: 常见方法**： 周期图、welch法、多窗口法、基于自回归模型的估计** 多窗口法和welch法同样是通过平均加窗数据的周期图以降低频谱估计的方差，但与welch并同，多窗口法使用并同的锥形窗口函数。 3.时频分析 STFT 需要考虑时间分辨率和频率分辨率（存在折中） CWT 转载和整理自：https://blo
EEG信号——时域分析、频域分析、时频分析
qq_38341276的博客
04-13 2万+
EEG信号的时频分析
脑电信号处理与特征提取——5.频谱分析和时频分析（张治国）
m0_58086930的博客
07-26 4359
频谱分析和时频分析,脑电信号处理与特征提取
任务态脑电时频分析 学习笔记
PEAR10X的博客
03-16 1642
1.Why&What 1.1 选择时频分析方法的原因： （1）脑电信号为非平稳信号，不能直接去做傅里叶变换。通过做时频分析，可将连续的数据划分为一个个小片段（在各个小片段里，信号可以看作连续），解决脑电信号不平稳的问题，再做傅里叶变换； （2）谱分析不能反映各频段能量随时间的变化。 1.2 时频分析可以做到什么 给出两个不同的信号，如下图所示，不同频率出现的时间不一样，其它一致。 做完FFT后，结果一致，都提取出了相应频率信号的能量值，但是无法体现时域上的特征。 通过时频分析（.
时域、频域和时频分析的区别
psybrain的博客
02-18 8065
关注“心仪脑”查看更多脑科学知识的分享。 首先，EEG信号的数据是什么样的？ 原始的EEG数据是由很多个样本点数所构成的一个有限的离散的时间序列数据。至于样本点数的多少，则由采样率所决定，比如采样率为1000Hz，那么每秒就有1000个数据样本点。其中，每个样本点数据代表的是脑电波幅的大小，物理学上称为电压值，单位为伏特（V），由于脑电信号通常较弱，所以更常使用的单位为微伏(μV)。 时域分析 因此，原始的EEG信号就是一个时域上的数据。时域分析关注的是EEG波幅随时间进程的变化情况，事件相关电位（
视觉疲劳脑电分析
03-14
好的，用户的问题是关于视觉疲劳相关的脑电数据分析或处理的方法和工具。首先，我需要结合用户提供的引用内容，尤其是引用[1]和[2]，因为它们涉及脑电数据分析和机器视觉系统结构。用户可能需要了解如何处理EEG数据...
有了脑电数据怎么进行时域分析，频域分析，时频域分析
最新发布
03-27
好的，我现在需要回答用户关于EEG数据分析方法的问题，具体包括时域分析、频域分析和时频域分析的技术实现。首先，我得回忆一下相关知识，并参考用户提供的引用内容来确保准确性。 用户提到的引用里，傅里叶变换...
脑电信号（EEG）简介：原理、应用与分析方法
332295505的博客
04-14 2万+
脑电信号（EEG）是大脑活动的一种重要表现形式。本文将介绍EEG的基本原理，应用领域以及分析方法，为对脑电信号感兴趣的读者提供一个初步的认识。
脑电数据event为0，怎么添加marker
TLwangshuai610的博客
05-12 3580
（i为每个实验的编号，i=1，...10，j为一个人第几组实验，j=1,...5）：T（ij）打标 = T（ij）curry8- T（ij）unity3d- T主电脑-T辅电脑-T（ij）打标对应的是正式脑电信号采集的时间点，我们可以根据T（ij）打标来完成脑电信号和实际实验开始时间的校对。打开生成的event.txt文件，并根据具体数据类别更改信息，添加第一行标题，本数据计划提取两个类别数据，变在第二列定义a，b标签，第一列设置裁剪时间点，第三列默认为1（为什么1未做研究），数据更改后如下图;
1、脑电基本原理及其经典成分
qq_43801989的博客
04-20 7452
矢状线由前到后依次为Fpz、Fz、Cz、Pz和Oz，除Fpz与鼻根，Oz与枕外粗隆的距离为矢状线长度的10%外，其余点间距为矢状线长度的 20%；沿着冠状线，从左耳前凹10%处，依次为T3、C3、Cz、C4、T4，各点之间的距离均为冠状线长度的 20%。脑内的一个沟cortex，这里有朝某个方向排列的很多神经元，如果这些神经元都同步放电的话，就把这些神经元放电构成的电流偶极子，看成一个。每个脑区产生的电信号，是向各个方向传播的（可以传到头皮上的所有电极），但不同脑区的信号对电极信号构成的贡献不同。
【机器学习】：脑电数据时域特征提取
qq_43801989的博客
05-19 2437
时域领域的特征提取主要思想：某个一小段时间段里面的幅值，可能可以明显区别不同的类别，那么我们的目的就要找出这一小个时间段。然后取出这个小的时间段的波幅（求平均），来作为这个数据的特征之一。数据说明：被试01，C类别的数据（01_lxx_task_combine_maker_selectC._2s）：每个被试每个类别的数据的维度是 chan*t*epoch，其中chan是通道数，t是时间点，epoch是分段数。特征提取的步骤一、个体水平的叠加平均。
【脑电信号处理与特征提取】P6-张治国：频谱分析和时频分析
m0_51474171的博客
01-31 4754
下面是一个模拟信号的时域波形和频域变换的例子： 下面是一个真实脑电信号的时域波形和频域变换： 比如下面的红色波形，可以看做六个蓝色波形的组合。 这六个蓝色波形都有自己的频率和幅值，从侧面看，便可以得到信号在频率域上的变化。 因此，时间序列信号就可以表示为一系列余弦函数的总和。 周期法有一个缺点是方差过大，使用Welch法可以解决这个问题，步骤如下：那上面进行Welch频谱估计等睡眠脑电举例进行特征提取，可以将得到的频谱图划分为多个频段，再将每一段频谱计算一个平均值。 频谱分析的假设：脑电信号的频谱
脑电EEG常用的特征
ZhangJingHuaJYO的博客
03-13 1万+
  最近学习有关脑电的一些基础知识，基于深度学习对脑电信号进行分类时，首先需要对脑电信号进行预处理（滤波等），这时一般不能将其作为数据进行学习，更常见的是提取脑电信号的特征，然后再用深度学习发掘特征与不同情绪的关联。脑电信号常见的特征有： 时域中： 平均值、标准差、一阶差分、归一化一阶差分、能量、功率、高阶过零分析。不稳定指数等 时频域： 功率谱密度、高阶谱、微分熵等 空间域： DASM、RASM、不对称系数、DCAU、多维度有向信息等 下面对上面所述的一些进行解析 1、微分熵DE： 式子中的 ZZZ 符
脑电EEG概念解释及深度学习结合
热门推荐
f的博客
12-01 5万+
这篇文章，是我做完毕设写的，机器学习的脑电信号的四分类，基于python的代码。 下面是过程中的经验吧，希望你能快速上手，快速有一些基础。 获取了数据还要读懂数据，周期，时间，采样频率，通道等等信息，可以通过说明文档，一般数据都会有。或者用matlab打开数据集来获取。 一、脑电信号数据 开源数据集，注意数据的格式，我用过，mat，gdf，以前都没处理过......
脑电时频分析II：时频分析
Kobe123brant的博客
01-29 5367
前言：为什么需要做时频分析 脑电信号为非平稳信号，不能直接使用傅里叶变换进行操作 时频分析将连续数据划分为一个个小片再做傅里叶变换 谱分析不能反映各个频段能量随时间的变化 1、时频分析的原理——卷积（Convolution） 上次提到的谱分析的原理是将需要处理的信号跟kernel函数进行点积处理，这样就能得到谱分析的结果，但是时频分析的是卷积 其实和点积有相同的原理，只不过时频分析需要得到随时间变化的信息，所以需要这个kernel函数随着时间，不断的往前推进， 都做一个点积，这个流程就是一个卷积，但是因
MATLAB脑电信号处理：时域频域分析与GUI实现
在MATLAB中进行脑电信号处理是一项复杂而重要的任务，涉及多种分析方法和技术。脑电信号（EEG）是探测大脑活动的重要手段，它能揭示大脑的生理状态和认知过程。在本项目中，我们将深入探讨如何使用MATLAB对脑电信号...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值