<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[m0_62360926的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/m0_62360926</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; m0_62360926]]></copyright><item><title><![CDATA[2.3 时域分析与ERP]]></title><link>https://blog.youkuaiyun.com/m0_62360926/article/details/162175376</link><guid>https://blog.youkuaiyun.com/m0_62360926/article/details/162175376</guid><author>m0_62360926</author><pubDate>Mon, 22 Jun 2026 00:40:40 +0800</pubDate><description><![CDATA[触发码是一个时间标记或电信号。在刺激呈现的同一时刻（精确到毫秒级），由刺激呈现电脑发送一个触发码到EEG记录电脑。]]></description><category></category></item><item><title><![CDATA[2.2 频率分析]]></title><link>https://blog.youkuaiyun.com/m0_62360926/article/details/162174306</link><guid>https://blog.youkuaiyun.com/m0_62360926/article/details/162174306</guid><author>m0_62360926</author><pubDate>Sun, 21 Jun 2026 18:02:04 +0800</pubDate><description><![CDATA[我们通常认为，脑电图波形是由多种不同频率的振荡成分叠加而成。通过对这些脑波成分的分解，我们就能识别出在不同的认知测试中活跃的特定神经元群体。只要数数每秒钟出现几个波峰你就能分辨出来。结论是：不！在真实的脑电数据里，这些脑电波经常彼此叠加，混成一团。你根本没法靠手动数波峰来分辨这是Theta波、Alpha波还是Beta波。]]></description><category></category></item><item><title><![CDATA[2.1.1 不同类型的脑电频率]]></title><link>https://blog.youkuaiyun.com/m0_62360926/article/details/162171994</link><guid>https://blog.youkuaiyun.com/m0_62360926/article/details/162171994</guid><author>m0_62360926</author><pubDate>Sun, 21 Jun 2026 16:16:38 +0800</pubDate><description><![CDATA[可以视为一种慢波。在深度睡眠或大脑处理严重损伤等重负荷任务时出现。当极度放松或处理大量脑力任务，例如算数时就会出现。研究人员发现，额叶中线的Theta波在大脑记忆中起着关键作用。Theta波节律在学习和记忆任务中尤为突出。海马体不仅在清醒时产生Theta波，在睡眠时也会产生。说明海马体是记忆整合的重要中心，意思是将短期记忆转化为长期记忆。海马体持续与Theta波保持有节奏的同步，确保所学知识能长期保存并随时调用。主要出现在枕叶、顶叶和中央区域，它会在清醒、意识活跃但皮层活动较低的时候出现。]]></description><category></category></item><item><title><![CDATA[运动想象脑机接口（BCI）实战项目]]></title><link>https://blog.youkuaiyun.com/m0_62360926/article/details/161369170</link><guid>https://blog.youkuaiyun.com/m0_62360926/article/details/161369170</guid><author>m0_62360926</author><pubDate>Mon, 25 May 2026 00:09:04 +0800</pubDate><description><![CDATA[ERD = Event-Related Desynchronization（事件相关去同步）= 某个频率的功率降低了= 大脑变活跃了= 图上显示为蓝色ERS = Event-Related Synchronization（事件相关同步）= 某个频率的功率升高了= 大脑变抑制了= 图上显示为红色通俗理解：大脑在"休息"时，很多神经元同步活动 → 功率高大脑在"干活"时，神经元各干各的 → 功率降低 → ERD运动想象时：想象左手动 → 右脑运动皮层活跃 → C4通道出现ERD（蓝色）]]></description><category></category></item><item><title><![CDATA[MNE-Python 第10天学习笔记：结果报告与可视化]]></title><link>https://blog.youkuaiyun.com/m0_62360926/article/details/161368069</link><guid>https://blog.youkuaiyun.com/m0_62360926/article/details/161368069</guid><author>m0_62360926</author><pubDate>Sun, 24 May 2026 19:13:53 +0800</pubDate><description><![CDATA[MNE Report = 一个交互式 HTML 网页里面可以包含：- 原始数据预览- 功率谱密度图- 事件标记- ERP 波形- 脑地形图- 时频图- 源定位结果好处：- 所有分析结果集中在一个文件- 可以交互（缩放、切换时间点）- 方便分享给导师/合作者- 方便自己回顾分析过程# ---------- 7. 生成项目总结 ----------print("🎉 项目总结")print("""│ 10天 MNE-Python 学习之旅 ││ │。]]></description><category></category></item><item><title><![CDATA[MNE-Python 第9天学习笔记：源定位基础]]></title><link>https://blog.youkuaiyun.com/m0_62360926/article/details/161367107</link><guid>https://blog.youkuaiyun.com/m0_62360926/article/details/161367107</guid><author>m0_62360926</author><pubDate>Sun, 24 May 2026 18:54:15 +0800</pubDate><description><![CDATA[1.2 正问题和逆问题




        1.3 形象比喻




二、源定位需要的"原料"

        2.1 三个关键模型




        2.1 三个关键模型




三、环境准备与依赖安装

        3.1 源定位需要的额外库

                源定位比前面的分析需要更多依赖库：                一次性安装所有依赖：


        3.2 导入库和设置




四、加载数据并预处理

        4.1 获取数据路径




   ]]></description><category></category></item><item><title><![CDATA[MNE-Python 第8天学习笔记：时频分析（ERD/ERS）]]></title><link>https://blog.youkuaiyun.com/m0_62360926/article/details/161366209</link><guid>https://blog.youkuaiyun.com/m0_62360926/article/details/161366209</guid><author>m0_62360926</author><pubDate>Sun, 24 May 2026 16:55:21 +0800</pubDate><description><![CDATA[ERD = Event-Related Desynchronization（事件相关去同步）ERS = Event-Related Synchronization（事件相关同步）概念：大脑在静息时，神经元有一定程度的同步活动当某个脑区被"激活"时：神经元开始各自工作 → 同步性下降 → ERD（功率降低）当某个脑区被"抑制"时：神经元同步活动增强 → ERS（功率升高）计算方式：ERD/ERS = (刺激后功率 - 基线功率) / 基线功率 × 100%]]></description><category></category></item><item><title><![CDATA[MNE-Python 第7天学习笔记：事件相关电位（ERP）分析]]></title><link>https://blog.youkuaiyun.com/m0_62360926/article/details/161364985</link><guid>https://blog.youkuaiyun.com/m0_62360926/article/details/161364985</guid><author>m0_62360926</author><pubDate>Sun, 24 May 2026 15:44:15 +0800</pubDate><description><![CDATA[average() 的数学原理：# 对于每个时间点 t：# N = 该条件的分段数量# 效果：# 随机噪声 → 每次不同 → 平均后趋近于 0# 大脑信号 → 每次相同 → 平均后保持不变# → 信噪比提升 √N 倍！脑地形图 = 某个时刻，头皮上各位置的电压"地图"前面（鼻子方向）│ Fp1 ● ● Fp2│ ← ● 红色 = 正电压│ F3 ● Fz● F4 │ ← ● 蓝色 = 负电压后面（后脑勺方向）就像天气预报的温度分布图但显示的是头皮上的电位分布（单位：微伏）]]></description><category></category></item><item><title><![CDATA[MNE-Python 第6天学习笔记：分段（Epoching）与基线校正]]></title><link>https://blog.youkuaiyun.com/m0_62360926/article/details/161362221</link><guid>https://blog.youkuaiyun.com/m0_62360926/article/details/161362221</guid><author>m0_62360926</author><pubDate>Sun, 24 May 2026 14:17:22 +0800</pubDate><description><![CDATA[reject 参数：定义"坏段"的判断标准# 什么是"坏段"？# 幅度异常大的分段，通常是由残留伪迹引起的：# - 被试突然咳嗽# - 电极瞬间接触不良# - 眨眼没有被 ICA 完全去除# reject_criteria 是一个字典# 键 = 通道类型# 值 = 幅度阈值（单位：伏特）# 150e-6 的含义：# 150 × 10⁻⁶ = 0.000150 伏特 = 150 微伏# 如果分段中任何 EEG 通道的幅度超过 ±150μV# 这个分段就会被丢弃。]]></description><category></category></item><item><title><![CDATA[MNE-Python 第5天学习笔记：数据预处理（二）—— 伪迹处理]]></title><link>https://blog.youkuaiyun.com/m0_62360926/article/details/161346590</link><guid>https://blog.youkuaiyun.com/m0_62360926/article/details/161346590</guid><author>m0_62360926</author><pubDate>Sat, 23 May 2026 21:48:27 +0800</pubDate><description><![CDATA[这里还要再去滤除与eog和ecg相关的成分呢？只需要一个 EOG 通道作为参考就够了。为什么此处已经滤除了eog和ecg。]]></description><category></category></item><item><title><![CDATA[MNE-Python 第4天学习笔记：数据预处理（一）—— 滤波与重参考]]></title><link>https://blog.youkuaiyun.com/m0_62360926/article/details/161345431</link><guid>https://blog.youkuaiyun.com/m0_62360926/article/details/161345431</guid><author>m0_62360926</author><pubDate>Sat, 23 May 2026 19:54:36 +0800</pubDate><description><![CDATA[电力系统使用交流电：- 中国/欧洲：220V，50Hz（每秒正负变化 50 次）- 美国：110V，60Hz这个电磁场会通过以下方式进入脑电信号：1. 电极导线像天线一样接收2. 皮肤-电极界面的整流效应3. 周围电器的电磁辐射结果：在脑电信号的 50/60Hz 处出现一个"尖峰"print("""│ 重参考原理 ││ ││ 采集时：每个通道记录的是电位差 ││ Ch1_记录 = Ch1_真实 - Ref ││ Ch2_记录 = Ch2_真实 - Ref ││ ... ││ │。]]></description><category></category></item><item><title><![CDATA[MNE-Python 第3天学习笔记：事件与标记处理]]></title><link>https://blog.youkuaiyun.com/m0_62360926/article/details/161342634</link><guid>https://blog.youkuaiyun.com/m0_62360926/article/details/161342634</guid><author>m0_62360926</author><pubDate>Sat, 23 May 2026 18:51:52 +0800</pubDate><description><![CDATA[很多教程直接告诉你事件编号是 1、2、3、4，但实际数据往往更复杂。先查看数据中有哪些事件编号 → 再创建 event_id 字典print("\n绘制自定义事件分布图...")# plt.subplots() 创建画布和坐标轴# figsize=(12, 4) 设置画布大小：宽12英寸，高4英寸# 为每种事件选择颜色y_labels = list(event_id.keys()) # 将字典的键转为列表，作为 Y 轴标签# 遍历每种事件，在图上绘制竖线。]]></description><category></category></item><item><title><![CDATA[MNE-Python 第2天学习笔记：Montage与通道信息管理]]></title><link>https://blog.youkuaiyun.com/m0_62360926/article/details/161320800</link><guid>https://blog.youkuaiyun.com/m0_62360926/article/details/161320800</guid><author>m0_62360926</author><pubDate>Fri, 22 May 2026 19:18:09 +0800</pubDate><description><![CDATA[这是国际通用的电极放置标准，"10-20"的含义是：（1）相邻电极之间的距离是头骨前后/左右总距离的10%或20%]]></description><category></category></item><item><title><![CDATA[MNE-Python 第1天学习笔记：环境搭建与数据初探]]></title><link>https://blog.youkuaiyun.com/m0_62360926/article/details/161319075</link><guid>https://blog.youkuaiyun.com/m0_62360926/article/details/161319075</guid><author>m0_62360926</author><pubDate>Fri, 22 May 2026 17:05:14 +0800</pubDate><description><![CDATA[RAW对象存储的是原始的连续脑电数据，可以理解为一张大表格：行：每个通道（电极）的数据列：每个时间点的采样值。]]></description><category></category></item><item><title><![CDATA[ERPLAB数据预处理操作]]></title><link>https://blog.youkuaiyun.com/m0_62360926/article/details/161119523</link><guid>https://blog.youkuaiyun.com/m0_62360926/article/details/161119523</guid><author>m0_62360926</author><pubDate>Mon, 18 May 2026 20:02:11 +0800</pubDate><description><![CDATA[所需要的工具包：EEGlab，ERPlab。        将ERPlab解压后放在eeglab文件夹内的plugins文件夹下。        然后打开matlab, 将整个EEGlab包加载进去。        养成好的习惯：每次用matlab前将set path恢复为默认设置，再添加新的包；将当前路径调整为数据所在路径（或者你的工作文件夹）。        记得将路径换成工作路径（你所要处理的数据所在的位置）        数据处理的基本逻辑：                1、读取数据（获取路径、文]]></description><category></category></item><item><title><![CDATA[第四章 脑电数据的预处理与降噪]]></title><link>https://blog.youkuaiyun.com/m0_62360926/article/details/160831167</link><guid>https://blog.youkuaiyun.com/m0_62360926/article/details/160831167</guid><author>m0_62360926</author><pubDate>Sat, 09 May 2026 14:12:16 +0800</pubDate><description><![CDATA[即耳后颞骨上的锥形突起，经常被选为参考电极，这是因为它们的位置离我们感兴趣的区域相对较远。从头皮上收集到的脑电原始数据可以被看作信号和伪迹（包括心电、眼电、肌电以及其他干扰源所产生的伪迹）的总和，在脑电研究中，我们一般会剔除这些被伪迹污染的试次（坏段），如被试闭眼超过几百毫秒，或由于疲倦而没有专注于任务。尽管如此，这类伪迹仍然难以避免，因为眼动和眨眼往往是无意识的，尤其是对于老人和小孩来说，更加难以控制。然而，在实际应用中，预处理的具体步骤取决于研究目的、实验设计、实验设备以及拟开展的后续分析。]]></description><category></category></item><item><title><![CDATA[第二章 脑电、诱发电位和事件相关电位]]></title><link>https://blog.youkuaiyun.com/m0_62360926/article/details/160798666</link><guid>https://blog.youkuaiyun.com/m0_62360926/article/details/160798666</guid><author>m0_62360926</author><pubDate>Wed, 06 May 2026 19:33:27 +0800</pubDate><description><![CDATA[与微电极记录（MER，需植入颅内）和皮层脑电图（需开颅）等电生理技术相比，EEG完全在头皮表面记录，对大脑无损伤。：EEG是对神经元电活动的直接测量，采样率可高达数万赫兹（例如记录每毫秒的电压变化），峰值潜伏期为 50～150ms 的听觉 N1 是听觉诱发电位中最突出的成分之一。波通常会在其大脑枕叶区域测得，并且会随着睁眼或心理活动的增加而减弱。N1 有多个子成分，它们叠加在一起形成了 N1 的峰值。：设备相对便宜，且实验所需的一次性耗材较少，经济实惠。相关的刺激时，自发性EEG活动会受到干扰。]]></description><category></category></item><item><title><![CDATA[第一章 脑电的神经起源和测量]]></title><link>https://blog.youkuaiyun.com/m0_62360926/article/details/160771883</link><guid>https://blog.youkuaiyun.com/m0_62360926/article/details/160771883</guid><author>m0_62360926</author><pubDate>Tue, 05 May 2026 19:00:52 +0800</pubDate><description><![CDATA[2、如果有一些电极记录的数据质量不好（即通常所谓的“坏电极”），我们可以在数据处理过程中通过插值的方式提高数据的质量，即。偶极子并不完全相同，并且不同的组织介质（脑、脑脊液层、颅骨和头皮等）具有不同的电传导率，因此容积传导的程度也是千差万别。在脑电数据采集过程中，为了获得良好的导电性和较低的接触阻抗，通常需要使用一些导电介质来填充电极和头皮之间的空隙。虽然增加电极数目可以提高脑电信号采集的空间分辨率，但当电极达到一定数目之后，过多的电极并不能提供更多有效的信息。），其他电极的位置可以根据这些基准点来确定。]]></description><category></category></item><item><title><![CDATA[RNN-AI歌词生成器案例]]></title><link>https://blog.youkuaiyun.com/m0_62360926/article/details/160635664</link><guid>https://blog.youkuaiyun.com/m0_62360926/article/details/160635664</guid><author>m0_62360926</author><pubDate>Thu, 30 Apr 2026 15:39:58 +0800</pubDate><description><![CDATA[文本生成任务是一种常见的自然语言处理任务，输入一个开始词能够预测出后面的词序列。本案例将会使用循环神经网络来实现周杰伦歌词生成任务。]]></description><category></category></item><item><title><![CDATA[Day07-RNN层（循环网络层）]]></title><link>https://blog.youkuaiyun.com/m0_62360926/article/details/160634225</link><guid>https://blog.youkuaiyun.com/m0_62360926/article/details/160634225</guid><author>m0_62360926</author><pubDate>Wed, 29 Apr 2026 21:09:19 +0800</pubDate><description><![CDATA[本文介绍了循环神经网络(RNN)的原理及其在PyTorch中的应用。RNN通过隐藏状态h记忆序列信息，实现文本等序列数据的建模。其核心计算包括：当前输入xt和前一状态ht-1通过权重矩阵计算新状态ht，再经全连接层输出预测结果。在PyTorch中，RNN层的输入为[seq_len,batch,input_size]的张量，输出包含output[seq_len,batch,hidden_size]和最终状态hn。文章以&quot;我爱你&quot;为例，展示了RNN如何通过时间步处理序列数据，并详细解释了神经]]></description><category></category></item></channel></rss>