脑电数据预处理步骤教案资料.pdf

__________________________________________________ 1）脑电预览。首先要观察被试脑电基本特征，然后剔除原始信号中一些典型 的干扰噪声、肌肉运动等所产生的十分明显的波形漂移数据。 2 ）眼电去除。使用伪迹校正(correction)的方法，即从采集的 EEG 信号中减去受眼电(EOG) 伪迹影响的部分。首先寻找眼电的最大绝对值，用最大值的百分数来定义 EOG 伪迹。接着 构建平均伪迹，将超过 EOG 最大值某个百分比（如 10% ）的眼电导联电位识别为 EOG 脉冲，对识别的 EOG 脉冲进行平均，由协方差估计公式(2-1)计算平均 EOG 脉冲和其它电 极之间的 EEG 的传递系数 b: b=cov(EOG, EEG)/var(EOG) (2-1) 其中 cov 表示协方差(covariance)，var 表示方差(variance)。 最后根据公式（2-2 ）对受眼动影响的电极在产生眼动的时间段的波形进行校正，点对点地 用 EEG 减去 EOG ： corrected EEG=original EEG-b×EOG (2-2) 实验中设置最小眨眼次数为 20 次，眨眼持续时间 400ms 。 3 ）事件提取与脑电分段。ERP 是基于事件（刺激）的诱发脑电，所以不同刺激诱发的 ERP 应该分别处理。在听觉认知实验中，多种类型的刺激会重复呈现，而把同种刺激诱发的 脑电数据提取出来的过程叫做事件提取。这样，连续的脑电数据就会根据刺激事件为标准划 分为若干段等长数据。以实验刺激出现的起始点为 0 时刻点，根据实验出现的事件对应的 事件码，将脑电数据划分成许多个数据段，每段为刺激前 100ms 到刺激后 600ms 。对每个 试次（一个刺激以及相应的一段加工过程）提取一段同样长度的数据段。 4 ）基线校正。此步骤用于消除自发脑电活动导致的脑电噪声，以 0 时刻点前的数据作为 基线，假设 0 时刻点前的脑电信号代表接收刺激时的自发脑电，用 0 时刻点后的数据减去 0 时刻点前的各点数据的平均值，可以消除部分的自发脑电噪声。从而使得经过基线校正后 的脑电数据从偏向横轴的某一侧变成围绕横轴上下波动。 5 ）伪迹去除。此步骤用于去除肌电伪迹等高频干扰以及高波幅的慢电位伪迹，自适应伪迹 去除算法的初始阈值设置为 70 μ，每次剔除脑电段数若大于全部试次的 20%则以 5 μV 的步长向上提升阈值重新进行剔除，直到 150 μV 为止。自适应的阈值是为了使被剔除的 试次在每个被试中都不超过 20% ，避免了固定阈值情况下由于不同被试脑电波幅差异而导 致某些被试的正常脑电波被作为伪迹剔除掉。 6 ）转换参考。将参考电极转换成乳突参考电极 M1 、M2 的平均参考。本研究的预处理实 验中没有采取常规 ERP 实验中的叠加平均及数字滤波步骤。由于时域平均会直接把很多非 锁相位信息给消除掉，不利于后续小波相干的计算，因此没有进行叠加平均。不采用数字滤 波的原因是，后续研究中信号作小波变换后可以提取频率 49Hz 以下的小波系数作为特征， 小波变换此时也起到了带通滤波器的作用，故数字滤波就没有必要执行。 连续小波变换算法基本步骤： 1）首先选定初始小波基函数，对齐所选择的小波函数和待分析的信号的起点； 2 ）计算此时刻的小波变换系数 C ； 3 ）沿时间轴将小波函数中心位置向下一时刻（时间单位 b ）移动，然后重复步骤(1-2)，最 终求出进行时移后的小波变换系数 C 。继续移动小波函数并运算，直到覆盖完整个待分析的 信号的长度； 4 ）对所选的小波函数进行伸缩，时间宽度缩减一个单位 a ，重复步骤(1-2)； 5 ）对所有的尺度重复步骤(1-4)。 根据上述运算，得到不同尺度及在不同的时间段的全部系数，表征了原始信号在这组小波上 所投影的大小，可以以图像的方式直观地展示计算得到的结果。