ERP_07源分析和成分分析包含ICA分析的步骤.pptVIP

5. Remove incorrect trials 6. Create study 7. Precompute ERP 8. Export ERPs from eeglab Methods 35 ? Stimuli ? Background: ? 9 × 19 line segments ? 7 °× 14 ° ? Upper visual field ? Target: ? 2.5 ° ~5 ° jitterred from the fixation ? Mask: ? Fixation: superimposed “T” and “L” 75Hz 1024 × 768 pixels 114cm Methods 36 ? Trial sequence Methods 37 ? Experimental procedure SOA=600 ms 320 trials/session SOA=466-40 ms 1120 trials/session 15 subjects ? Behavioral session: ? SOA was decreasing from 466ms to 40ms: one block each at 466, 360, 266, 22 6 and three blocks each at 186, 160, 146, 120, 106, 80, 66, 40 ms. ? Each session: 28 blocks × 40 trials 溯源分析 Patch of aligned pyramidal cells in gray matter layer 偶极子是一对数值相等、方向相反的电荷。脑内众多 神经元兴奋引起的电活动可以总和在一起用一对电荷表 示，称为等价偶极子（ equivalent dipole ）。 Inverse Calculation Head Model Sensors Model Source Model Data (measured) 影响定位准确性的因素 ? 信号传导问题 ? 头颅不规则性 ? 发放源深浅 ? 操作因素：分析时间的选择、头模型和 偶极子模型的选择 溯源分析软件 ? Curry ? Besa ? Geosource ? ICA 溯源分析需要的 4 个文件 ? 功能数据： .avg ? 解剖数据： .img ? 电极位置： .3dd ? 解剖标志位置： .pom 创建 BEM 头颅模型 我们先读入了最原始的文件： 1_nback.cnt (nback 是我们这个实验的名称 ) 只有 EEGLAB 系统，可以很好的的进行 ICA 分析， 从而很好的达到我们的目的： 去掉眼动对脑电造成的影响 —— 眼电校正 所以我们在 EEGLAB 系统中做接下来的分析。 所导入的数据的一些基本信息。 这里我们得到了： 1_nback.set 定义电极位置。 由于 NS 电极位置使用标准名称， 所以按照默认设置导入即可。 前面提到过，进入 ICA 分析的数据，需要： 1 ，干净、无误的数据； 2 ，具有统一的参考点的数据。 所以，这里我们首先要去掉坏电极。 坏电极首先是在数据记录过程中发现的异常电极， 然后是 ICA 分析后发现的异常电极。 由于 NeuroScan 中， HEOG 与 VEOG 均是双极参考，所以也要去掉。 （ EGI 系统中不存在这个问题） NS 系统里似乎只能标注去掉什么样的电极而不能完全删掉它， 而对坏电极的标记在进入 EEGLAB 时又消失了， 所以还是推荐在 EEGLAB 中进行这一步。 这里我们得到了： 2_without P8 T7 H V.set 独立成分分析 (Independent Component Analysis ， ICA) 是近期发展起来的一个新的数据及信号分析方法， 是一种 将源信号从混合信号分离出来的 信号处理技术 。 这里我们假设， 每个电极位置的头皮都是一个脑电的源成分， 并通过分析每个电极记录到的电压， 用 ICA 方法计算每一个源成分的活动情况。 我们通过计算电极 Channel 所记录下的电压变化的情况， 得到电极活动的源成分 Components 的活动情况。 这里我们得到了： 3_ICA.set 通过 ICA 分析，我们可以获得眨眼、水平眼动的活动的源成分， 以及这个源成分的活动模式。 那么，当我们去掉这两个源成分的活动时， 剩下的数据就是没有眼动影响的、干净的脑电活动了。 好的条件下，我们可以排除掉所有的伪迹、包括眼电，最终取得干净的数据。 但是如果被试有过量的眼动，而排除掉有眼动的数据会使可用的数据量过少时， 我们就需要做眼电校正。 一些实验情况下，有眼动的数据必须进行排除而不是校正