duohuanxi的博客

Evoked potential(EP)诱发电位或诱发反应是指出现在诸如闪光或纯音之类的刺激后，从人类或其他动物的神经系统，特别是大脑的特定部分记录的特定模式的电位。不同形式和类型的刺激会产生不同类型的电位。诱发电位振幅往往较低，从小于1微伏到数微伏不等，而脑电图为数十微伏，肌电图为毫伏，心电图通常接近20毫伏。为了在EEG、ECG、EMG等生物信号和环境噪声的背景下解决这些低幅度电位，通常需要对信号进行平均。信号被时间锁定在刺激上，大部分噪声是随机产生，这样就可以通过对重复响应来平均掉噪声。诱发电位（

在这一节的学习中，我遇到了非常大的问题Evoked potential(EP)诱发电位或诱发反应是指出现在诸如闪光或纯音之类的刺激后，从人类或其他动物的神经系统，特别是大脑的特定部分记录的特定模式的电位。不同形式和类型的刺激会产生不同类型的电位。诱发电位振幅往往较低，从小于1微伏到数微伏不等，而脑电图为数微伏，肌电图为毫伏，心电图通常接近20毫伏。为了在EEG、ECG、EMG等生物信号和环境噪声的背景下解决这些低幅度电位，通常需要对信号进行平均。信号被时间锁定在刺激上，大部分噪声是随机产生的，这样就可以

在实验中，有时需要原始脑电数据来进行模拟实验，但又限于实验条件的不足，需要构造原始的脑电数据这篇文章通过多次重复所需的源激活来生成原始数据#导入工具包import numpy as npimport matplotlib.pyplot as pltimport mnefrom mne import find_events,Epochs,compute_covariance,make_ad_hoc_covfrom mne.datasets import samplefrom mne.sim

一些由电源线造成的伪影具有某些特定范围的频率（比如，由电网产生的电力线噪声，主要由50Hz（或60Hz取决于实验的地理位置）的尖峰组成）。因此可以通过滤波来固定。本文分别使用 陷波滤波器、低通滤波、高通滤波来对EEG数据去除电源线等噪声。陷波滤波器（Notch Filter）简介：陷波滤波器指的是一种可以在某一个频率点迅速衰减输入信号，以达到阻碍此频率信号通过的滤波效果的滤波器。陷波滤波器属于带阻滤波器的一种，其阻带很窄，因此也称为点阻波滤波器。常常用于去除固定频率分量或阻带很窄的地方。如用于去除直

Epoch概念简介：从连续的脑电图信号中提取一些特定时间窗口的信号，这些时间窗口可以称作为epochs。由于EEG是连续收集的，要分析脑电事件相关电位时，需要将信号“切分”为事件片段，这些事件片段被锁定到某个事件（例如刺激）中的时间片段。比如在EEGLAB分析中，EEGLAB将连续数据视为由一个较长的时期（long epoch）组成，而将数据切分后，它有多个较小的时期(small epoch)组成。举个例子假设我们有一个长度为60s的信号X，采样频率为1Hz。脑电信号的矩阵表示为1x60的矩阵，如果

这篇文章主要介绍如何向原始（Raw）对象添加注释，以及在数据处理的后期阶段如何使用注释Raw：原始对象Annotations：注释在实践过程中我遇到了非常多的问题，所以请诸大神看到后救救孩子吧####导入工具包import osfrom datetime import datetimeimport mnesample_data_folder=r'E:\脑机接口资料\MNE-sample-data'sample_data_raw_file=os.path.join(sample_dat

这篇文章主要介绍epoched数据的可视化这里介绍的所有函数基本上都是高级matplotlib函数，所有方法均返回matplotlib图形实例的句柄mne.Epochs.plot()提供了一个交互式浏览器，当与关键字block=True结合使用时，运行手动拒绝。这将阻止脚本执行，直到关闭浏览器窗口#加载工具包import osimport os.path as opimport mneimport matplotlib.pyplot as plt#加载数据'''加载数据，如果本地无

这篇文章主要介绍手动标记坏通道以及基于其他传感器的好信号重建“bad”通道#导入工具库import osfrom copy import deepcopyimport numpy as npimport mne'''加载本地文件sample_audivs_raw.fif如果本地默认位置没有该文件则从网上下载测试案例'''sample_data_folder=r'E:\脑机接口资料\MNE-sample-data'sample_data_raw_file=os.path.join

投影矩阵根据您试图投射出的噪声种类而变化，信号空间投影（SSP）是一种比较有无感兴趣信号的测量值来估算投影矩阵应该是什么的方法。例如：您可以进行其他“空房间”测量，以记录没有对象存在时传感器上的活动。通过查看空房间测量中各MEG传感器的活动空间模式，可以创建一个或多个N维向量，以给出传感器空间中环境噪声的“方向”（类似于上面示例中“触发器的影响”的向量）。SSP通常也用于消除心跳和眼睛运动伪影，提取伪影周围的时间段（epochs）并求平均值来估计噪声的方向。有关示例，请参见使用SSP修复工件。一旦知道了噪声

消失的我又回来了周一晚上突然得知周五有两门专业课考试，周四还有两场奖学金答辩，并且PPT还没做好，所以周二匆忙复习了一天，学了上午考试的课程，周三做了一天PPT，周四答辩结束后到了晚上九点多，答辩一下台就匆匆忙忙投入了复习中，晚上熬夜到近两点，复习了下午的课程。万万没想到，周五早上突发急性肠胃炎，因为事情太突然，所以来不及办理缓考，只好坚持着去考试，谁曾想，上午考试途总我就吐了，幸亏我离垃圾桶近，把东西都吐垃圾桶了，下午也是在痛苦中考完了试。一考完试就进医院了，吃了药就在床上睡着了，昨天仍旧不舒服，在床上

MNE-Python中的平均参考设置set_eeg_reference(self, ref_channels='average', projection=False, ch_type='auto', verbose=None)指定用于EEG信号的参考默认情况下，MNE-Python将自动重新参考EEG信号，以使用平均参考（请参见下文）。这个函数可以显示指定所需的EEG参考

**参考电极：**安置在头皮上的电极为作用电极（active electrode）。放置在身体相对零电位点的电极即为参考电极（reference electrode），也称为参考电极或标准电极记录到的脑电信号即是作用电极与参考电极的差值（电位差）如果身体上有一个零电位点，那么将参考电极放置于这个点，头皮上其它部位与该点的电极之间的电位差就等于后者的电位变化的绝对值。但这种零电位点理论上指的是机体位于电解质液中时，距离机体无限远的点，而实际上我们能够利用到的点是距离脑尽可能远的身体上的某一个点。因此，如果选

EDF，全称是Eurpean Data Format，是一种标准文件格式，用于交换和存储医疗时间序列，该格式文件能够存储多通道的数据，允许每个信号拥有不同的采样频率，在内部，它包括标题和一个或多个数据记录。标题包含一些一般信息（患者标识，开始时间…等等），以及每个信号的技术规格（校准，采样率，过滤，…等等），编码为ASCII字符。数据记录包含小端16位整数的样本。因此，EDF也是多导睡眠图（PSG）录音的流行格式在Python中读取edf文件，可以通过mne来实现#方法原型：'''mne.io.re

这一篇文章主要介绍如何读取eeglab示例文件.set以及.locs文件（1）.set文件记录的是采集的信息，主要内容包括通道数，事件数，开始时间与结束时间等（2）.locs文件记录的是电极位置信息知识点：mne中使用mne.io.read_raw_eeglab()读取.set文件利用mne.channels.read_custom_montage()读取.locs文件read_raw_eeglab()函数介绍：mne.io.read_raw_eeglab(input_fname,

案例介绍本案例对多导睡眠图（Polysomnography，PSG）数据进行睡眠阶段的分类来判断睡眠类型训练：对Alice的睡眠数据进行训练测试：利用训练结果对Bob的睡眠数据进行测试，判断其睡眠类型在分析之前，先简单介绍一下多导睡眠图，多导睡眠图（Polysomnography，PSG）又称睡眠脑电图。主要用于睡眠和梦境研究以及抑郁症和呼吸暂停综合征的诊断多导睡眠图是通过不同部位的生物电或通过不同传感获得生物讯号，经前置放大，输出为不同的电讯号，记录出不同的图形以供分析。数据集介绍：本案例用

Evoked potential（EP）诱发电位或诱发反应是指出现诸如闪光或纯音之类的刺激后，从人类或其他动物的神经系统，特别是大脑的特定部分记录的特定模式的电位。不同形式和类型的刺激会产生不同类型的电位诱发电位振幅往往较低，从小于1微伏到数微伏不等，而脑电图为数十微伏，肌电图为毫伏，心电图通常接近20毫伏。为了在EEG、ECG、EMG等生物信号和环境噪声的背景下解决这些低幅度电位，通常需要对信号进行平均。信号被时间锁定在刺激上，大部分噪声是随机产生的，这样就可以通过对重复响应来平均掉噪声诱发电位（E

昨天出去爬了一天山，回来直接累的趴在床上了，所以就没有学习了。。。。今天简单学习了一下怎样使用epochEpochs对象是一种将连续数据表示为时间段集合的方法，存储在数组(n_events,n_channels,n_times)创建epoch对象分为以下几步：1)读取fif文件，创建raw对象2)创建events对象3)创建epoch对象#引入python包import mneimport os.path as opimport numpy as npfrom matplotlib i

前面两篇文章一直在写Epoch，那么Epoch到底是什么东西？概念简介：从连续的脑电图信号中提取一些特定时间窗口的信号，这些时间窗口可以称作为epochs由于EEG是连续收集的，要分析脑电事件相关的电位时，需要将信号‘切分’成时间片段，这些时间片段被锁定到某个事件（例如刺激）中的时间片段，比如在EEGLAB分析中，EEGLAB将连续数据视为由一个较长的周期（long epoch）组成，而将数据切分后，它由多个较小的时期（small epoch）组成举个例子：假如我们有一个长度为60s的信号X，采样频

Raw对象主要用来存储连续型数据，核心数据为n_channels和times,也包括Info对象#引入Python库import mne from mne.datasets import sampleimport matplotlib.pyplot as plt#sample的存放地址fname=r'E:\脑机接口资料\MNE-sample-data\MEG\sample\sample_audvis_raw.fif'raw=mne.io.read_raw_fif(fname)print

未来计算机直博的研究方向是脑机接口方面，因为之前没接触过，所以准备今年开始接触这方面的知识，开始自己学习啦，来这里记录一下MNE-Python是一款开源的用于EEG/EMG分析、处理和显示的软件。遵循BSD-license协议，由Harvard大学牵头，社区共同开发。主要功能包括：EEG/MEG信号的预处理和去噪，源估计，时频分析，统计测试，功能性连接，机器学习，传感器和源的可视化等等。1.安装MNE-Python安装过程非常简单，在cmd中输入 pip install -U mne安装过程很简单