MATLAB实战:5步搞定EDF脑电数据转MAT格式(附完整代码)

脑电数据处理分析——edf转mat及fft 声明:参考来源:https://zhuanlan.zhihu.com/p/34410111 生理信号数据常用的格式为edf,而matlab常用的是mat,txt。 如果已经在数据库里下载了edf格式的数据。不妨先了解下EDF格式具体内容: HEADER RECORD 8 ascii : 数据格式的版本 80 ascii : 被试ID 80 ascii : 数据记录编号 8 ascii : 开始记录的日期 (dd.mm.yy) 8 ascii : 开始记录的时间 (hh.mm.ss) 8 ... 阅读详情

MATLAB实战:从EDF脑电数据到频谱洞察的完整工程化路径

在神经科学、临床研究和脑机接口领域,处理原始脑电数据往往是研究的第一步,也是最关键的一步。许多刚踏入这个领域的研究者或工程师,面对EDF这类标准生理信号格式时,常常感到无从下手——数据读不出来、格式转换出错、后续分析无法衔接,这些看似基础的问题,却实实在在地消耗着大量的时间和精力。如果你正在实验室里对着一堆.edf文件发愁,或者你的MATLAB脚本总是在读取数据时崩溃,那么这篇文章正是为你准备的。我们将抛开那些零散的代码片段和晦涩的文档,构建一套从EDF文件读取、格式转换、数据清洗到快速傅里叶变换分析的完整、健壮且可复现的工程化流程。这不仅是一份操作指南,更是一套经过实战检验的方法论,旨在帮你把数据处理的“脏活累活”自动化、标准化,让你能更专注于核心的科学问题。

1. 理解EDF格式:超越文件头的深度解析

在动手写代码之前,我们必须先理解我们面对的是什么。EDF(European Data Format)是一种为交换和存储多通道生理信号而设计的开放标准格式,广泛应用于脑电图、心电图、肌电图等领域。它之所以成为主流,是因为其结构简单、自描述性强,并且不依赖于任何专有软件。然而,“简单”只是相对的,对于编程处理来说,其二进制结构中的细节决定了读取的成败。

一个标准的EDF文件由两部分组成:一个固定长度的头记录和紧随其后的数据记录。头记录包含了理解后续数据所必需的全部元数据。很多初学者会直接寻找现成的edfread函数,但一旦遇到非标准EDF+文件或自定义字段,就会束手无策。因此,掌握其底层结构至关重要。

1.1 头记录:数据的“地图”

头记录的前256字节是固定部分,以ASCII码形式存储了文件的全局信息。我们可以用一个小表格来清晰地展示其布局:

字节位置字段长度内容描述示例/说明
0-78版本号0 或 EDF+C (EDF+连续记录)
8-8780患者标识符可包含患者ID、姓名、性别等信息
88-16780记录标识符如Startdate 01-JAN-2020 EEG Recording
168-1758记录开始日期01.01.20 (日.月.年)
176-1838记录开始时间12.00.00 (时.分.秒)
184-1918头记录字节数(256 + ns * 256),需计算
192-23544保留字段 (EDF+)通常为空格,或包含EDF+特定信息
236-2438数据记录数-1 表示未知,或具体数字
244-2518单个数据记录时长 (秒)如 1 (每秒一个数据块)
252-2554信号通道数 (ns)例如 32,表示32个EEG通道

注意:日期和时间格式是欧洲标准的DD.MM.YY和HH.MM.SS,在解析时需要注意与MATLAB日期格式的转换,避免因格式误解导致的时间轴错乱。

紧接固定头之后的是每个信号通道的元数据,每个通道占用256字节。这部分是变长的,总长度等于ns * 256字节。每个通道的信息又细分为多个字段:

  • 标签 (16字节): 通道名称,如Fp1, Cz, ECG。
  • 传感器类型 (80字节): 描述传感器或电极位置。
  • 物理维度 (8字节): 信号的物理单位,如uV, mV。
  • 物理最小值/最大值 (各8字节): 信号的实际物理量程。
  • 数字最小值/最大值 (各8字节): 信号在文件中存储的原始数字量程(通常是16位有符号整数)。
  • 预滤波器设置 (80字节): 记录期间应用的硬件滤波信息。
  • 每记录采样数 (8字节): 这是关键字段,表示每个数据记录块内,该通道的采样点数。
  • 保留字段 (32字节): 通常为空。

这里最常见的陷阱是混淆了采样率的概念。EDF文件不直接存储“每秒采样数”,而是通过每记录采样数 / 单个数据记录时长(秒)来计算得出。例如,如果数据记录时长是1秒,某通道每记录采样数为500,那么该通道的采样率就是500 Hz。

1.2 数据记录:二进制信号的存储方式

头记录之后就是连续的数据记录块。每个数据记录块包含了所有通道在单个数据记录时长内的数据。数据的存储顺序是通道交织的:先存储通道1在该时间段内的所有采样点,接着是通道2的所有采样点,以此类推,直到最后一个通道。

数据以16位有符号整数(int16)的二进制形式存储。要将这些原始数字值转换回有意义的物理值(如微伏),需要使用头文件中提供的数字-物理转换系数进行线性缩放:

物理值 = (原始数字值 - 数字最小值) * (物理最大值 - 物理最小值) / (数字最大值 - 数字最小值) + 物理最小值

理解了这些,我们就不会对读出来的数据感到困惑,也能在数据出现异常时,快速定位是读取逻辑错误还是文件本身的问题。

2. 构建健壮的EDF读取与转换模块

现在,我们将理论付诸实践。与其依赖一个可能不满足所有需求的第三方edfread,不如我们自己构建一个更可控、更透明的读取器。这个过程能让你对数据有完全的掌控力,并且便于后续的定制化扩展。

2.1 分步实现自定义EDF读取函数

我们将创建一个名为read_edf_custom.m的函数。这个函数的核心思路是:先按字节精确读取头信息,解析出所有元数据,再根据元数据读取二进制数据并进行转换。

function [data, header, signal_info] = read_edf_custom(filename)
    % READ_EDF_CUSTOM 自定义EDF文件读取函数
    %   输入:
    %       filename - EDF文件路径(字符串)
    %   输出:
    %       data - 数据矩阵,每列为一个通道的信号
    %       header - 包含所有头信息的结构体
    %       signal_info - 每个通道的详细信息表格

    % 1. 以二进制只读方式打开文件
    fid = fopen(filename, 'r', 'ieee-le'); % 'ieee-le' 指定小端字节序,EDF标准
    if fid == -1
        error('无法打开文件: %s', filename);
    end

    % 2. 读取固定头记录 (前256字节)
    header.version = deblank(fread(fid, [1 8], '*char')); % 版本
    header.patient_id = deblank(fread(fid, [1 80], '*char'));
    header.record_id = deblank(fread(fid, [1 80], '*char'));
    header.start_date = deblank(fread(fid, [1 8], '*char'));
    header.start_time = deblank(fread(fid, [1 8], '*char'));
    header.header_bytes = str2double(deblank(fread(fid, [1 8], '*char')));
    header.reserved = deblank(fread(fid, [1 44], '*char'));
    header.num_data_records = str2double(deblank(fread(fid, [1 8], '*char')));
    header.duration_data_record = str2double(deblank(fread(fid, [1 8], '*char'))); % 单个数据块时长(秒)
    header.num_signals = str2double(deblank(fread(fid, [1 4], '*char'))); % 通道数 ns

    % 3. 读取每个信号的元数据 (变长部分)
    ns = header.num_signals;
    for i = 1:ns
        signal_info(i).label = deblank(fread(fid, [1 16], '*char'));
    end
    for i = 1:ns
        signal_info(i).transducer = deblank(fread(fid, [1 80], '*char'));
    end
    for i = 1:ns
        signal_info(i).physical_dim = deblank(fread(fid, [1 8], '*char'));
    end
    for i = 1:ns
        signal_info(i).physical_min = str2double(deblank(fread(fid, [1 8], '*char')));
    end
    for i = 1:ns
        signal_info(i).physical_max = str2double(deblank(fread(fid, [1 8], '*char')));
    end
    for i = 1:ns
        signal_info(i).digital_min = str2double(deblank(fread(fid, [1 8], '*char')));
    end
    for i = 1:ns
        signal_info(i).digital_max = str2double(deblank(fread(fid, [1 8], '*char')));
    end
    for i = 1:ns
        signal_info(i).prefiltering = deblank(fread(fid, [1 80], '*char'));
    end
    for i = 1:ns
        % 关键字段:每个数据块内该通道的采样点数
        signal_info(i).samples_per_record = str2double(deblank(fread(fid, [1 8], '*char')));
    end
    for i = 1:ns
        signal_info(i).reserved = deblank(fread(fid, [1 32], '*char'));
    end

    % 计算每个通道的采样率
    for i = 1:ns
        signal_info(i).sample_rate = signal_info(i).samples_per_record / header.duration_data_record;
    end

    % 4. 读取数据记录
    % 移动到数据开始位置(头记录结束的位置)
    fseek(fid, header.header_bytes, 'bof');

    % 预分配数据矩阵。总采样点数 = 每块采样点数 * 数据块数
    total_samples_per_channel = [signal_info.samples_per_record] * header.num_data_records;
    data = zeros(max(total_samples_per_channel), ns); % 以最大可能长度初始化

    for record = 1:header.num_data_records
        for ch = 1:ns
            % 读取当前通道在当前数据块中的所有采样点
            samples_in_this_record = signal_info(ch).samples_per_record;
            start_idx = (record-1) * samples_in_this_record + 1;
            end_idx = record * samples_in_this_record;

            % 读取int16数据
            raw_data = fread(fid, samples_in_this_record, 'int16=>double');

            % 数字值到物理值的转换
            digital_range = signal_info(ch).digital_max - signal_info(ch).digital_min;
            physical_range = signal_info(ch).physical_max - signal_info(ch).physical_min;
            scale_factor = physical_range / digital_range;
            phys_data = (raw_data - signal_info(ch).digital_min) * scale_factor + signal_info(ch).physical_min;

            % 存储到数据矩阵
            data(start_idx:end_idx, ch) = phys_data;
        end
    end

    % 5. 裁剪数据矩阵至实际长度(所有通道长度应一致,这里处理可能的不一致)
    actual_length = min(total_samples_per_channel);
    data = data(1:actual_length, :);

    % 6. 关闭文件并转换signal_info为表格,便于查看
    fclose(fid);
    signal_info = struct2table(signal_info);
    disp(['成功读取文件: ', filename]);
    disp(['数据维度: ', num2str(size(data,1)), ' 采样点 x ', num2str(size(data,2)), ' 通道']);
end

这个函数提供了比黑盒函数更透明的过程。你可以通过检查header和signal_info变量,清晰地看到每一个解析出的参数,这对于调试和验证数据完整性非常有帮助。

2.2 高效批量转换与MAT文件存储

在实验室环境中,我们 rarely 只处理单个文件。通常需要批量处理数十甚至上百个EDF文件。手动操作既不现实也容易出错。我们需要一个自动化的批量转换脚本。

假设我们有一个文件夹edf_data/,里面存放了所有需要转换的.edf文件,我们希望将每个文件转换后,以原文件名保存在mat_data/文件夹中。

% batch_edf2mat.m
% 批量将EDF文件转换为MAT文件,并保存关键元数据

input_folder = 'edf_data/';
output_folder = 'mat_data/';

% 确保输出文件夹存在
if ~exist(output_folder, 'dir')
    mkdir(output_folder);
end

% 获取所有EDF文件
edf_files = dir(fullfile(input_folder, '*.edf'));

for i = 1:length(edf_files)
    filename = edf_files(i).name;
    filepath = fullfile(input_folder, filename);

    fprintf('正在处理 (%d/%d): %s\n', i, length(edf_files), filename);

    try
        % 使用我们的自定义函数读取数据
        [eeg_data, header_info, channel_info] = read_edf_custom(filepath);

        % 构建输出文件名和路径
        [~, name_only, ~] = fileparts(filename);
        output_path = fullfile(output_folder, [name_only, '.mat']);

        % 保存为MAT文件。建议保存为结构体或包含关键信息的变量集合。
        % 这里我们保存原始数据、头信息、通道信息和采样率向量。
        sample_rates = channel_info.sample_rate; % 可能每个通道不同
        save(output_path, 'eeg_data', 'header_info', 'channel_info', 'sample_rates', '-v7.3');
        % 使用 '-v7.3' 格式支持大于2GB的文件

        fprintf('  已保存: %s\n', output_path);

    catch ME
        % 捕获并报告错误,但不中断整个批处理流程
        fprintf(2, '  处理文件 %s 时出错: %s\n', filename, ME.message);
        % 可以将错误文件记录到日志中
    end
end

fprintf('批量转换完成!\n');

提示:在保存MAT文件时,除了原始数据矩阵,务必将关键的元数据(如采样率、通道标签、记录开始时间等)一并保存。这为后续的数据分析、结果复现和分享提供了完整的上下文,是良好科研习惯的体现。

3. 数据质量检查与预处理:为频谱分析铺平道路

拿到MAT格式的数据远不是终点,甚至可以说是真正分析的起点。原始脑电数据中充满了各种“噪声”和伪迹,直接进行FFT分析得到的结果往往是混乱且无意义的。我们必须先进行一系列的数据质量检查和预处理。

3.1 核心预处理步骤

预处理流程没有绝对的标准,但一个稳健的流程通常包含以下步骤,其顺序和参数需要根据具体数据和实验目的调整:

  1. 通道选择与重参考:并非所有记录的通道都是有效的EEG通道(可能包含ECG、EOG等)。首先根据channel_info.label选择感兴趣的EEG通道。常见的重参考方式包括平均参考、耳后参考等,这可以消除共模噪声。
  2. 滤波:这是最关键的一步。通常需要应用带通滤波器(如0.5-45 Hz)来保留主要的脑电节律(δ, θ, α, β, γ),同时滤除极低频的漂移和高频的肌电噪声。还需要一个陷波滤波器(如50Hz或60Hz)来消除工频干扰。
    % 示例:使用EEGLAB的pop_eegfiltnew函数进行滤波(需安装EEGLAB工具箱)
    % 假设eeg_data是单通道数据,fs是采样率
    % 高通滤波 0.5 Hz
    eeg_data_hp = pop_eegfiltnew(eeg_data, fs, 0.5, 0); % 下限0.5,上限0表示高通
    % 低通滤波 45 Hz
    eeg_data_filtered = pop_eegfiltnew(eeg_data_hp, fs, 0, 45); % 下限0,上限45表示低通
    % 注意:实际应用中应使用更专业的零相位滤波方法避免相位失真。
    
  3. 坏段与坏道检测与剔除:由于电极松动、患者运动等产生的突发性高幅值伪迹会严重污染频谱。可以通过振幅阈值(如超过±100 µV)、方差检测或机器学习方法识别并标记这些坏段。对于持续有问题的通道(坏道),可以考虑直接剔除或进行插值。
  4. 分段:对于事件相关电位分析,需要以事件点为中心进行分段。对于静息态频谱分析,通常将连续数据分割成若干段(如2秒或4秒的epoch),并对每段分别进行频谱分析后再平均,这可以提高频谱估计的稳定性。

3.2 利用可视化进行质量评估

在应用任何自动化算法之前,人眼的检查是不可替代的。快速绘制数据的概览图能帮你发现潜在问题。

% 数据质量快速可视化脚本
function quick_visualize_eeg(data, sample_rate, channel_names)
    % data: 通道 x 时间点 矩阵
    % sample_rate: 采样率
    % channel_names: 通道名称元胞数组

    [num_channels, num_samples] = size(data);
    time_axis = (0:num_samples-1) / sample_rate; % 时间轴,单位秒

    % 1. 绘制所有通道的叠加波形图(查看整体趋势和大幅值伪迹)
    figure('Position', [100, 100, 1200, 600]);
    subplot(2,2,1);
    offset = 0;
    offsets = linspace(0, (num_channels-1)*200, num_channels); % 为每个通道设置垂直偏移
    for ch = 1:num_channels
        plot(time_axis, data(ch, :) + offsets(ch));
        hold on;
        text(time_axis(end)+0.1, offsets(ch), channel_names{ch}, 'FontSize', 8);
    end
    hold off;
    xlabel('时间 (秒)');
    ylabel('幅度 (µV) - 偏移显示');
    title('多通道EEG波形(偏移显示)');
    xlim([0, min(30, time_axis(end))]); % 只看前30秒

    % 2. 绘制单个通道的详细波形(随机选一个)
    subplot(2,2,2);
    rand_ch = randi(num_channels);
    plot(time_axis, data(rand_ch, :));
    xlabel('时间 (秒)');
    ylabel('幅度 (µV)');
    title(['通道 ', channel_names{rand_ch}, ' 的原始信号']);
    grid on;

    % 3. 绘制所有通道的幅度分布直方图(检查异常值)
    subplot(2,2,3);
    all_data = data(:); % 将所有数据展平
    histogram(all_data, 100, 'Normalization', 'probability');
    xlabel('幅度 (µV)');
    ylabel('概率');
    title('全数据幅度分布');
    grid on;

    % 4. 绘制通道间相关性矩阵(检查坏道)
    subplot(2,2,4);
    corr_matrix = corr(data');
    imagesc(corr_matrix);
    colorbar;
    xticks(1:num_channels);
    yticks(1:num_channels);
    xticklabels(channel_names);
    yticklabels(channel_names);
    xtickangle(45);
    title('通道间皮尔逊相关系数矩阵');
    caxis([0 1]); % 相关系数范围0-1
end

通过这个综合视图,你可以快速判断数据中是否存在基线漂移(波形图整体上下移动)、大幅值尖峰(直方图两端有异常值)、工频干扰(波形图上有规律的50Hz振荡)以及坏道(相关性矩阵中某一行/列与其他通道相关性极低)。

4. 从时域到频域:深入理解并应用FFT进行脑电节律分析

经过预处理的数据,终于可以送入频谱分析的环节了。快速傅里叶变换是将信号从时域转换到频域的核心工具,它能揭示隐藏在复杂波形背后的周期性节律。

4.1 FFT原理与MATLAB实现的要点

FFT的本质是计算离散傅里叶变换的一种高效算法。对于一段长度为N的离散信号x[n],其DFT定义为:

[ X[k] = \sum_{n=0}^{N-1} x[n] \cdot e^{-j 2\pi k n / N} ]

其中,X[k]是第k个频率分量的复数表示,包含了幅度和相位信息。k从0到N-1,对应的实际频率为f = k * Fs / N,Fs是采样率。

在MATLAB中,我们使用fft函数。但直接使用fft的结果需要经过处理才能得到有物理意义的频谱。

% 一个完整的单通道频谱分析函数示例
function [freq, power_spectrum] = compute_psd_fft(signal, Fs, window_type)
    % 计算信号的功率谱密度 (PSD)
    % signal: 输入信号向量
    % Fs: 采样率 (Hz)
    % window_type: 窗函数类型,如 'hann', 'hamming'

    N = length(signal); % 信号长度

    % 1. 去趋势 (移除线性趋势,避免频谱泄漏)
    signal = detrend(signal);

    % 2. 加窗 (减少频谱泄漏)
    if nargin < 3 || isempty(window_type)
        window_type = 'hann';
    end
    switch window_type
        case 'hann'
            win = hann(N);
        case 'hamming'
            win = hamming(N);
        case 'blackman'
            win = blackman(N);
        otherwise
            win = rectwin(N); % 矩形窗
    end
    signal_windowed = signal .* win;

    % 3. 执行FFT
    NFFT = 2^nextpow2(N); % 使用最接近的2的幂次长度,提高计算效率
    Y = fft(signal_windowed, NFFT); % 计算FFT

    % 4. 计算单边幅度谱和功率谱
    P2 = abs(Y / N); % 双侧幅度谱
    P1 = P2(1:NFFT/2+1); % 取前半部分 (0 ~ Fs/2)
    P1(2:end-1) = 2 * P1(2:end-1); % 乘以2 (除直流分量和奈奎斯特频率点)

    % 5. 计算功率谱密度 (PSD)
    power_spectrum = (P1.^2) / (Fs * sum(win.^2)/N); % 单位: µV^2/Hz

    % 6. 构建频率轴
    freq = Fs * (0:(NFFT/2)) / NFFT;

    % 可选:绘制频谱图
    figure;
    plot(freq, 10*log10(power_spectrum)); % 转换为分贝(dB)尺度
    xlabel('频率 (Hz)');
    ylabel('功率谱密度 (dB/Hz)');
    title('单通道功率谱密度估计');
    grid on;
    xlim([0, min(50, freq(end))]); % 通常关注0-50Hz
end

注意:功率谱密度是更专业的度量,它描述了功率在频率上的分布密度,其值不随信号段长度或采样率的变化而发生尺度变化,便于不同数据间的比较。计算PSD时对窗函数能量进行归一化是关键步骤。

4.2 脑电节律的提取与量化

得到功率谱后,我们可以通过积分特定频带下的功率来量化经典的脑电节律。这些节律与不同的认知和生理状态密切相关。

节律名称频率范围 (Hz)常见关联状态
Delta (δ)0.5 - 4深度睡眠,婴儿期,严重脑损伤
Theta (θ)4 - 8浅睡,冥想,创造力,记忆编码
Alpha (α)8 - 13闭眼放松,静息状态,感觉运动节律
Beta (β)13 - 30主动思考,专注,焦虑,运动准备
Gamma (γ)30 - 45+高阶认知,感觉整合,注意力

下面的代码演示了如何从整个信号的PSD中提取并计算这些节律的相对功率,这是一个比绝对功率更常用、受个体差异影响更小的指标。

% 计算脑电节律的相对功率
function rhythm_power = extract_eeg_rhythms(freq, psd)
    % freq: 频率向量
    % psd: 对应频率的功率谱密度向量
    % rhythm_power: 结构体,包含各节律的绝对和相对功率

    % 定义频带边界 (单位: Hz)
    band_defs = struct();
    band_defs.delta = [0.5, 4];
    band_defs.theta = [4, 8];
    band_defs.alpha = [8, 13];
    band_defs.beta = [13, 30];
    band_defs.gamma = [30, 45]; % 注意高频可能受滤波影响

    band_names = fieldnames(band_defs);
    total_power = trapz(freq, psd); % 计算总功率 (在定义的频率范围内)

    for i = 1:length(band_names)
        band = band_names{i};
        f_low = band_defs.(band)(1);
        f_high = band_defs.(band)(2);

        % 找到频率索引
        idx = freq >= f_low & freq <= f_high;

        % 计算绝对功率 (频带内积分)
        rhythm_power.([band, '_abs']) = trapz(freq(idx), psd(idx));

        % 计算相对功率 (绝对功率 / 总功率)
        rhythm_power.([band, '_rel']) = rhythm_power.([band, '_abs']) / total_power;
    end

    % 也可以计算特定比率,如 theta/beta 比率,常用于注意力缺陷研究
    if isfield(rhythm_power, 'theta_abs') && isfield(rhythm_power, 'beta_abs')
        rhythm_power.theta_beta_ratio = rhythm_power.theta_abs / rhythm_power.beta_abs;
    end
end

在实际研究中,我们 rarely 只分析一个通道或一个时间段。更常见的做法是计算每个通道、每个实验条件、每个被试的节律功率,然后进行统计比较。这就需要将上述流程封装成函数,并嵌入到循环或批处理框架中。

5. 工程化实践:构建可复现的分析流水线

至此,我们已经掌握了从原始EDF到频谱指标的所有关键技术点。但科研和工程的价值在于可复现性和自动化。我们需要将这些分散的脚本整合成一个结构清晰、配置灵活、日志完备的分析流水线。

5.1 设计项目目录结构与配置文件

一个良好的项目结构是成功的一半。我推荐如下目录结构:

your_eeg_project/
├── data/
│   ├── raw_edf/          # 存放原始EDF文件
│   └── processed_mat/    # 存放转换后的MAT文件
├── code/
│   ├── utils/            # 工具函数,如 read_edf_custom.m
│   ├── preprocessing/    # 预处理脚本
│   ├── analysis/         # 频谱分析等核心分析脚本
│   └── visualization/    # 绘图函数
├── configs/
│   └── analysis_config.m # 主配置文件,集中管理所有参数
├── results/
│   ├── figures/          # 生成的图表
│   └── stats/            # 统计结果表格
└── logs/                 # 运行日志

analysis_config.m 文件集中定义了所有可调参数,避免了在多个脚本中硬编码。

% analysis_config.m
% 主配置文件

%% 数据路径
config.data.raw_edf_dir = '../data/raw_edf/';
config.data.processed_mat_dir = '../data/processed_mat/';

%% 预处理参数
config.preproc.selected_channels = {'Fp1', 'Fp2', 'F3', 'F4', 'C3', 'C4', 'P3', 'P4', 'O1', 'O2'};
config.preproc.sample_rate = 500; % Hz,如果所有通道一致,可在此指定
config.preproc.filter.low_cutoff = 0.5; % Hz,高通
config.preproc.filter.high_cutoff = 45; % Hz,低通
config.preproc.filter.notch_freq = 50; % Hz,陷波频率
config.preproc.epoch_length = 2; % 秒,分段长度

%% 频谱分析参数
config.spectrum.fft_window = 'hann';
config.spectrum.overlap = 0.5; % 分段重叠比例
config.spectrum.freq_bands.delta = [0.5, 4];
config.spectrum.freq_bands.theta = [4, 8];
config.spectrum.freq_bands.alpha = [8, 13];
config.spectrum.freq_bands.beta = [13, 30];
config.spectrum.freq_bands.gamma = [30, 45];

%% 输出设置
config.output.save_figures = true;
config.output.fig_format = 'png'; % 'png', 'pdf', 'fig'
config.output.verbose = true; % 是否在命令行显示详细进度

5.2 实现主分析脚本与结果汇总

主脚本main_analysis_pipeline.m像乐队的指挥,按顺序调用各个模块,并传递配置参数。

% main_analysis_pipeline.m
% 主分析流水线

clear; close all; clc;
addpath(genpath('./code')); % 添加代码路径

% 加载配置
analysis_config;

% 初始化日志
log_file = fullfile('logs', ['analysis_log_', datestr(now, 'yyyymmdd_HHMMSS'), '.txt']);
diary(log_file);
fprintf('分析流水线开始于: %s\n', datestr(now));

% 1. 批量转换EDF到MAT (如果尚未转换)
if ~exist(config.data.processed_mat_dir, 'dir') || isempty(dir(fullfile(config.data.processed_mat_dir, '*.mat')))
    fprintf('未找到MAT文件,开始批量转换EDF...\n');
    batch_edf2mat(config.data.raw_edf_dir, config.data.processed_mat_dir);
else
    fprintf('找到已转换的MAT文件,跳过转换步骤。\n');
end

% 2. 获取所有MAT文件列表
mat_files = dir(fullfile(config.data.processed_mat_dir, '*.mat'));
num_files = length(mat_files);
fprintf('共发现 %d 个MAT文件待处理。\n', num_files);

% 3. 初始化结果存储结构
all_results = struct();

% 4. 循环处理每个文件
for file_idx = 1:num_files
    current_file = mat_files(file_idx).name;
    fprintf('\n--- 处理文件 (%d/%d): %s ---\n', file_idx, num_files, current_file);

    try
        % 加载数据
        data_struct = load(fullfile(config.data.processed_mat_dir, current_file));
        eeg_data = data_struct.eeg_data; % 假设数据变量名为 eeg_data
        channel_info = data_struct.channel_info;

        % 通道选择与索引映射
        [selected_data, selected_indices] = select_channels(eeg_data, channel_info, config.preproc.selected_channels);

        % 预处理 (滤波、分段等)
        [epoched_data, clean_epoch_indices] = preprocess_pipeline(selected_data, config.preproc);

        % 频谱分析与节律提取
        [spectral_results, freq_axis] = spectral_analysis_pipeline(epoched_data, config.spectrum);

        % 存储结果
        [~, subject_id, ~] = fileparts(current_file);
        all_results(file_idx).subject_id = subject_id;
        all_results(file_idx).spectral_results = spectral_results;
        all_results(file_idx).clean_epochs = clean_epoch_indices;

        fprintf('  文件 %s 处理成功。\n', current_file);

    catch ME
        fprintf(2, '  处理文件 %s 时发生错误: %s\n', current_file, ME.message);
        all_results(file_idx).subject_id = current_file;
        all_results(file_idx).error = ME.message;
    end
end

% 5. 汇总与统计
fprintf('\n--- 开始结果汇总 ---\n');
summary_table = summarize_results(all_results, config.spectrum.freq_bands);

% 6. 可视化与导出
if config.output.save_figures
    plot_group_spectra(all_results, freq_axis, config);
    export_results_to_csv(summary_table, 'results/stats/spectral_power_summary.csv');
end

% 7. 保存完整工作区(可选,用于深度调试)
save(fullfile('results', 'full_analysis_workspace.mat'), 'all_results', 'summary_table', 'config');

fprintf('\n分析流水线完成于: %s\n', datestr(now));
diary off;

这个主脚本的价值在于,它提供了一个一键式的分析框架。你只需要准备好原始数据,修改配置文件中的参数,运行这个脚本,就可以得到从原始数据到统计结果的全套产出。这极大地提升了分析效率,并保证了不同批次、不同人员分析结果的一致性。

最后,记得将all_results和summary_table保存下来。summary_table可以是一个表格,每一行是一个被试,每一列是不同通道、不同频带的功率指标,这可以直接导入到SPSS、R或Python中进行进一步的统计检验。

整个流程走下来,你会发现,处理EDF脑电数据并完成频谱分析,不再是碰运气的代码拼凑,而是一个有章可循、步步为营的工程化过程。这套方法不仅能应用于静息态EEG,经过适当调整,同样可以服务于事件相关频谱扰动、功能连接分析等更高级的脑电分析任务。最重要的是,它赋予了你对数据从字节到科学结论的完全控制力和深刻理解。

解决利用mne库,从.mat文件获得的脑电数据,构造的脑电图显示不正确。 前一篇文中是通过构造epochs,绘出脑电图,但今天看到一个博客可以构造raw,并绘出脑电图(绘出脑电图只是一个起点)构造RawArray数据结构,我是跟着这学的。 不过,我按着博客写的过程复现在.mat文件中时,出现了不一样的问题,显示的脑电图是下面这样的,看起来就觉得不对。 不过 ,如果将构造RawArray数据结构中的代码ch_types = [‘eeg’, ‘eeg’, ‘eeg’]给去掉,info = mne.create_info(ch_names=ch_names,sfreq=sfreq,c 阅读详情

相关推荐

Python脑电数据处理实战:MNE库从CSV到NPY格式的完整预处理流程

本文详细介绍了使用Python的MNE库进行脑电数据预处理的完整流程。从CSV、MAT、NPY等多种格式的数据读取与转换开始,逐步讲解了数据质量检查、坏道处理、滤波降噪、伪迹去除(如ICA去除眼电)、重参考以及数据分段等核心预处理步骤,为神经科学研究者和Python开发者提供了一套清晰、可复现的实战指南。

carrot的博客 711

Matlab读取edf文件的方法

可使用edfread函数读取.edf文件。 function [hdr, record] = edfread(fname, varargin) % Read European Data Format file into MATLAB % % [hdr, record] = edfread(fname) % Reads data from ALL RECORDS of file fn...

Vecchioo的博客 8748

使用冯伟老师开发的GRAMAT工具包处理GRACE数据笔记

冯伟老师开发的GRAMAT工具包处理GRACE数据 mat文件转grd文件

qq_40583851的博客 6153

脑电信号处理实战:从EDF到MAT的转换与频域分析

本文详细介绍了脑电信号处理的全流程,从EDF文件的结构解析与读取方法,到将数据转换为MAT格式的实用技巧,再到使用FFT进行频域分析的核心原理。通过实战案例演示了如何从原始EDF数据到完成频域分析,帮助研究人员高效处理脑电信号并识别特征频段。

weixin_33704234的博客 212

MATLAB脑电EMD分析工具包:含分解、瞬时频率计算与希尔伯特谱生成全套函数

一套开箱即用的MATLAB脑电信号分析工具,内置经验模态分解核心算法(emd.m和emd1.m),支持从原始EEG数据中逐层提取本征模态函数(IMF)。配套提供toimage.m将分解结果可视化为图像,instfreq.m精准计算每个IMF的瞬时频率,hhspectrum.m生成希尔伯特谱用于时频能量分布分析,emdtest.m为完整流程测试脚本。所有代码均不依赖Signal Processing Toolbox等额外工具箱,直接运行即可完成EMD全流程处理。适用于临床或科研场景下的EEG去噪、非线性特征提

oil88的博客 323

MATLAB心电图(ECG)心律失常分析GUI实战项目

这种融合并非简单拼接,而是通过生理参数空间映射、时序逻辑嵌套、以及部署级接口抽象三层耦合,使MATLAB平台既能承载循证医学的刚性判断链,又能无缝接入前沿AI模型的黑箱推理能力。在工程实现层面,该架构直面三大现实挑战:第一,ACLS规则高度依赖离散事件逻辑(如“P波缺失且QRS>120ms”),而深度学习天然适配连续向量空间;第二,临床报告要求每项诊断结论均可回溯至原始波形片段与测量值,但CNN/LSTM输出缺乏显式因果路径;

weixin_42588877的博客 236

睡眠人工标注edf文件转换成mat格式的label

睡眠数据连接:Sleep-EDF Database Expanded v1.0.0 (physionet.org) 目录 一、下载睡眠数据(以第一个人睡眠数据为例) 二、对标签数据进行处理和转换 1、将人工标签的edf文件用记事本打开 2、对打开的记事本文件进行转换 3、之后另存为txt文件 三、使用matlab进行标签读取和转换 1、使用importdata读取txt文件 2、使用eeg_edf_datatransfer函数转换,将每一个采样频率转换为一个标签 3、将标签保存为m...

weixin_43615992的博客 3384

ZYNQ软件复位重启、程序跳转的实现方法(Multiboot)

目录一、增加FSBL的调试信息 一、增加FSBL的调试信息 启动过程的调试信息如下: Xilinx First Stage Boot Loader Release 2016.4 Jan 19 2020-10:35:00 Devcfg driver initialized Silicon Version 3.1 Boot mode is QSPI Single Flash Informat...

weixin_41922484的博客 2万+

【脑电分析】使用hctsa工具包处理脑电数据

在该网址中将hctsa工具包下载下来,运行install.m文件,此时会出现“错误使用 compile_mex”报错,要额外安装MinGW-w64 C/C++编译器,然后运行mex -setup进行配置。还可以运行TS_LabelGroups('norm')进行标签分类,TS_PlotTimeSeries('norm')查看标记数据。进行特征计算,由于是运行初始化文件中指定的所有计算,这个步骤计算量过大,可使用。版本,需要注意的是,在重新运行文件时,可能会出现以下问题。查看前20个重要特征。

serein_sir的博客 393

Ubuntu18.04黑屏救急指南:从tty到图形界面的5种恢复方法(附网络配置技巧)

本文针对Ubuntu 18.04系统启动后出现黑屏并进入tty命令行的问题,提供了一套从紧急诊断到完全恢复图形化界面的系统性实战指南。文章详细讲解了五种核心恢复方法,包括重启显示管理器、重装ubuntu-desktop桌面环境、手动安装Xorg与LightDM等,并重点解决了纯命令行环境下的网络配置难题,帮助用户快速修复系统,恢复工作环境。

weixin_29243279的博客 360

基于集成运放心电放大器设计(原创)

原创作者:einyboy or alert 最近在看美剧《危机边缘》关于边缘科学的案件,科技控可以看一下,但建议不在吃东西的时候看。想像力是创造的思想源头,动手能力则是创造的车床。 自认为是没有想像力的那类,只能发挥动手能力了。 心电测量简介 图1 心电极接线图 如图1心电测试一般使用3个心电极进行测量,各个电极的说明如下: RA: Right Arm缩写,右手电极 LA: L...

huandaohack的专栏 6929

基于MATLAB的脑电(EEG)数据预处理与深入处理

基于MATLAB的脑电(EEG)数据预处理与深入处理,结合EEGLAB、FieldTrip等工具箱实现

hellogril前端库 496

Wireshark、Fiddler、Charles 三款抓包工具的本质差异与选型指南

抓包工具是网络调试与接口分析的基础能力,其核心在于理解OSI模型分层原理——不同工具工作在不同协议层级,解决不同维度问题。Wireshark面向网络层(L2/L3),可捕获原始数据帧与TCP握手细节,适用于DNS异常、丢包重传等底层问题定位;Fiddler和Charles则工作在应用层(L7),作为HTTP(S)代理实现HTTPS解密、请求改写与弱网模拟,是API调试与移动端测试的首选。技术价值体现在:精准匹配问题域(如证书固定需Fiddler脚本绕过,iOS调试依赖Charles证书信任链),避免‘用显微

weixin_28831341的博客 254

脑电数据常见预处理

首先,你需要将原始的EEG数据导入到你的分析环境中,通常是使用Python或MATLAB。请注意,EEG数据处理是一个复杂的领域,需要根据研究需求和数据特点进行适当的处理。例如,通常会对EEG数据应用0.5 Hz的高通滤波和50 Hz的低通滤波。根据你的研究问题,可以使用机器学习算法、时频分析、事件相关电位(ERP)分析等技术进行脑电数据分析。对EEG数据进行标定,通常使用事件标记或时间戳来识别特定事件,例如刺激呈现、任务开始等。根据研究问题,提取感兴趣的特征,例如频谱特征、时域特征、空间特征等。

weixin_66157944的博客 1598

Python全栈入门到实战【进阶篇 1】类与对象:面向对象编程的基石

Python中定义类使用**class关键字**,创建对象使用**类名()**(类似调用函数),语法简洁,我们从最基础的空类开始,逐步拆解。class# 定义空的学生类,pass表示占位,无实际内容 class Student : pass编码规范:类名遵循大驼峰命名法(每个单词首字母大写,无下划线),如StudentCarPhone,这是Python官方推荐的PEP8规范,便于区分类和其他标识符。实例方法必须定义在类内部;实例方法的第一个参数必须是self(名称可自定义,如this。

那些看似不起波澜的日复一日,会在某天让你看到坚持的意义 3411

环境仿真软件:EcoPath with Ecosim_(4).Ecosim模型动态模拟

Ecosim 是 EcoPath with Ecosim (EwE) 软件中的动态模拟模块,用于模拟生态系统中各个组分的动态变化过程。Ecosim 模型通过时间序列数据和动态参数,可以预测生态系统在不同管理措施下的响应。时间序列数据的输入:用户可以输入历史数据,如捕捞努力、生物量、环境因子等,用于校准模型。动态参数的设置:用户可以设置被捕食率、生长率、捕捞死亡率等动态参数,以反映生态系统的变化。模拟结果的分析。

kkchenjj的博客 897

EEGLAB研究案例:从原始数据到发表级结果的完整流程

EEGLAB是一款开源的电生理信号处理环境,运行在Matlab平台上,由SCCN/UCSD开发。它为研究人员提供了从原始脑电数据到发表级结果的完整解决方案,帮助用户轻松处理、分析和可视化脑电图(EEG)数据。 ## 一、准备工作:安装与环境配置 要开始使用EEGLAB进行研究,首先需要完成安装和环境配置。以下是简单快速的安装步骤: 1. 克隆仓库:打开终端,执行以下命令克隆EEGLAB项目到

gitblog_00224的博客 483

国债期货的日线趋势跟踪策略实现(基于backtrader框架)

通过backtrader框架,我们可以轻松地实现国债期货的日线趋势跟踪策略,并进行回测和验证。通过这种策略,我们可以尝试捕捉国债期货价格的短期趋势,并根据趋势的方向进行交易决策。backtrader提供了许多内置的指标、订单类型和其他功能,可以帮助你进一步优化和改进你的策略。它提供了丰富的工具和功能,使我们能够快速实现和验证我们的交易想法。方法中,我们根据当前价格和前一天的价格判断趋势的方向,并根据趋势的变化进行买入或卖出操作。然后,我们设置了初始资金和交易手续费,并将我们定义的策略。来跟踪每日的收盘价。

NisyPhilosophy的博客 406

如何使用eeglab导出edf数据?

(1)使用Bio-signal Medusa vision2.0采集了**.data数据 (2)使用该软件的上位机,导出为***.edf ; (3)使用edfreadZip(从matlab官网上下载的),软件包,打开***.edf,发现里边是空的。 (4)求助google,下载了NeuroExplorer软件,软件需要LICENSE,免费版的只给你预览100个数据点。 (5)拿到了SleepSignForAnimal-2.0软件,该软件需要付费,借来了电子狗后。顺利将其导出为..

Kp0fS的草稿纸 4298

ArcMap|使用模型构建器将kml文件批量转图层

参考:https://www.jianshu.com/p/6de18f846024 第一步:打开模型构建器,拖入kml转图层工具 第二步:插入文件迭代器 第三步:双击“迭代文件”,选择kml所在文件夹 第四步:将“File.kml”与“KML转图层”连接,点击“输入KML文件” 第五步:双击“KML转图层”,更改输出位置,输出数据名称改为%名称% 第六步:运行模型 得到结果: ...

个人学习笔记 3602

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

EEGLAB实战手册:从数据导入到专业分析的完整解决方案

面对海量脑电数据不知从何下手?EEGLAB作为神经科学领域最受欢迎的开源工具箱,为你提供从原始信号到专业分析的全流程解决方案。无论你是脑机接口研究者还是认知神经科学学生,这份实战手册都将帮助你快速掌握核心技能。 ## 🎯 常见问题与即时解决方案 ### 数据导入:如何快速读取各种格式的脑电文件? **问题场景:** 实验室设备多样,数据格式不统一 **解决方案:** EEGLAB支持超过3

gitblog_00778的博客 952

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

JAX Transfer Guard 详解:拦截与审计 Host/Device 间的隐式数据迁移

Transfer Guard(传输守卫)是 JAX 提供的一套数据迁移安全机制。在 JAX 中,类型转换、输入分片(sharding)等操作可能触发数据在主机(host)与设备(device)之间、或不同设备之间悄然迁移,而这类迁移往往不在开发者预期之内。JAX 的 transfer guard 允许你以「记录日志」或「直接拦截」两种方式审计所有非预期传输,从源头避免隐式同步带来的性能损耗与调试困

gitblog_00880的博客 435

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

医疗信号处理终极指南:5分钟掌握WFDB Python完整解决方案

在医疗AI研究和生物医学数据分析领域,处理生理信号数据一直是个技术挑战。心电图(ECG)、脑电图(EEG)、肌电图(EMG)等波形数据需要专业的格式支持和处理工具。WFDB Python库为这一难题提供了完整的原生Python解决方案,让医疗信号处理变得简单高效。这个强大的工具库完全遵循WFDB(波形数据库)行业标准,能够无缝读取、写入、处理和可视化生理信号与注释数据。 ## 医疗信号处理的核心

gitblog_00216的博客 477

如何用wfdb-python快速读取和处理生理信号数据?新手必看

生理信号数据(如ECG、EEG、PLETH等)的分析是医学研究和临床应用的重要基础。**wfdb-python**作为原生Python实现的WFDB(Waveform Database)工具包,提供了简单高效的生理信号读取与处理功能,帮助开发者轻松应对各类生理数据场景。本文将带你快速掌握wfdb-python的核心用法,从安装到实战操作,让你在10分钟内上手处理生理信号数据! ## 📦 超简单

gitblog_00683的博客 418

想入门脑机接口研究?这9个免费EEG数据集帮你快速上手(附官方下载链接)

本文为脑机接口(BCI)研究新手提供了9个免费EEG数据集的深度解析与实战应用指南。从BCI Competition IV的运动想象数据集到清华大学的SSVEP Benchmark,详细介绍了各数据集的特点、适用场景及处理技巧,帮助研究者快速上手EEG数据分析与可视化。

weixin_28704565的博客 421

MATLAB眼动数据分析:解码自闭症感官过载的神经机制

信号处理是生物医学工程与数据分析领域的核心技术,它通过对原始数据进行滤波、变换与特征提取,将复杂的生理信号转化为可量化的指标,从而揭示其背后的生物学意义与机制。在临床神经科学研究中,高维、非平稳的时间序列数据(如眼动、脑电、瞳孔信号)蕴含着个体认知状态与神经功能的宝贵信息。MATLAB凭借其强大的内置工具箱,如Signal Processing Toolbox和Statistics and Machine Learning Toolbox,为这类数据的处理、分析与建模提供了高效、集成的解决方案。其优势在于能

393
上一篇: 微信小程序跳转H5的6种实战方案对比:从web-view到剪贴板技巧
下一篇: PHP逆向实战:从攻防世界web2题目看strrev与str_rot13的加密破解技巧
电竞养老选手
博客等级 码龄4年 61粉丝 1196原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
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