- 综合排序
- 最热优先
- 最新优先
- 来自专栏脑机接口
关于EEG以及如何解释EEG?
2 什么是EEG?它是如何工作的？ 脑电图(EEG)是一种生理方法，用于记录大脑通过放置在头皮表面上的电极产生的电活动。 EEG系统中的价格差异通常是由于电极的数量，数字化的质量，放大器的质量以及设备每秒可拍摄的快照数量（这是以Hz为单位的采样率）决定的。 脑电图通常具有较高的采样率，是目前应用最快的成像技术之一。 当EEG监视大脑产生的电活动的时间过程时，可以解释皮质的哪些区域负责在给定的时间处理信息： 枕叶皮质 大脑的这一部分主要负责处理视觉信息。视觉刺激（视频，图像）的脑电图实验通常集中在枕部。 Transient induced gamma-band response in EEG as a manifestation of miniature saccades. Neuron. 58: 429–41. doi: 10.1016/j.neuron.2008.03.027 参考：https://imotions.com/blog/what-is-eeg/
47720编辑于 2022-08-18 - 来自专栏脑机接口
什么是EEG以及如何解释EEG?
什么是EEG?它是如何工作的？ ? 脑电图(EEG)是一种生理方法，用于记录大脑通过放置在头皮表面上的电极产生的电活动。 EEG系统中的价格差异通常是由于电极的数量，数字化的质量，放大器的质量以及设备每秒可拍摄的快照数量（这是以Hz为单位的采样率）决定的。 脑电图通常具有较高的采样率，是目前应用最快的成像技术之一。 当EEG监视大脑产生的电活动的时间过程时，可以解释皮质的哪些区域负责在给定的时间处理信息： 枕叶皮质 大脑的这一部分主要负责处理视觉信息。视觉刺激（视频，图像）的脑电图实验通常集中在枕部。 Transient induced gamma-band response in EEG as a manifestation of miniature saccades. Neuron. 58: 429–41. doi: 10.1016/j.neuron.2008.03.027 参考：https://imotions.com/blog/what-is-eeg/
2.1K20发布于 2020-06-30 - 来自专栏脑机接口
EEG-MI 基于EEG信号的运动想象分类实验
本次实验研究了运动想象（MI-EEG）任务，该任务是人在想象自己肢体（或肌肉）运动但没有实际运动输出时，人的特定脑区仍会有激活，目前常见的运动想象部位为：左右，右手，双脚和舌头。 CNN在MI-EEG的分类任务中具有诸多优点，一是可以省略特征提取步骤，可以直接输入经过预处理的数据；二是CNN能够从大量数据中学习到高维特征，对于处理大数据有优越的性能，而MI-EEG的数据集十分巨大 Development of EEG Analysis in the Research of Cognitive Science%脑电分析在认知研究中的进展[J]. EEG-Based Brain-Computer Interfaces Using Motor-Imagery: Techniques and Challenges[J]. A novel approach of decoding EEG four-class motor imagery tasks via scout ESI and CNN[J].
2.6K30发布于 2020-07-29 - 来自专栏脑机接口
EEG与睡眠分期
睡眠定义为一种无意识状态(unconsciousness) ¨1937年美国学者Loomis首次提出用EEG方法取代行为学作为睡眠深度判断的标准。 睡眠分期 ¨目前国际上通用的方法是根据睡眠过程中的EEG 表现，眼球运动情况和肌肉张力的变化等因素，将睡眠分为两种不同的时相，即非快动眼睡眠相（NREM）和快速眼动睡眠相（REM）。 各期在EEG表现和睡眠深度上有较大差别。 I期睡眠（思睡期） ¨此期是由清醒状态向睡眠期过渡的阶段。EEG由清醒时的α波为主发生波幅逐渐降低的变化，有人把这一阶段称为轻度思睡。 Ⅱ期睡眠（S2，轻睡期） ¨背景为低幅EEG脑波，以睡眠纺锤，K复合波及δ波（<20%）为特征。睡眠纺锤11。5—15C/S，持续0。5S以上，波幅>15μV，以中央区为主。 因此期EEG 与觉醒时模式相似，表现为低幅快波，θ波及间歇性低幅α波，故又称此期睡眠为去同步化睡眠，快波睡眠或异相睡眠。前二者是从EEG特点来定义的。
2.9K11发布于 2020-07-01 - 来自专栏脑机接口
EEG公开数据集汇总
网址： https://nda.nih.gov/ OpenNEURO数据库数据类型主要包括MRI，MEG，EEG，iEEG和ECoG。 ， 细胞记录),网址： http://www.mcgill.ca/bic/resources/omega Australian EEG database主要提供EEG/ERP数据， 网址： http:/ usp=sharing EEG-eye state: https://archive.ics.uci.edu/ml/datasets/EEG+Eye+State EEG-IO: http://gnan.ece.gatech.edu /eeg-eyeblinks/ EEG-VV, EEG-VR: http://gnan.ece.gatech.edu/eeg-eyeblinks/ 其他一些数据集 MNIST Brain Digits: +Database 临床脑电图 TUH EEG Resources: https://www.isip.piconepress.com/projects/tuh_eeg/html/downloads.shtml
2.7K10编辑于 2022-08-17 - 来自专栏脑机接口
EEG信号特征提取算法
时域分析与频域分析 ---- EEG信号特征提取就是以脑电信号作为源信号，确定各种参数并以此为向量组成表征信号特征的特征向量。 频域分析方法主要是基于EEG信号各频段功率、相干等。 这类方法是建立在假设EEG信号具有平稳特性的基础上，同时只是考虑信号的频域信息，忽略信号在时间上的分辨率。 在EEG信号研究中，常用的频域分析方法包括功率谱估计(直接发和间接法)。 时域分析方法则主要分析EEG波形的几何性质，如幅度、均值、方差、偏歪度、峭度等。 这类方法主要是利用EEG波形的性质，如波幅、均值、方差、偏歪度和峭度等对临床EEG记录进行观察分析。 不过，该方法更适合分析平稳的脑电信号，对包含高度非平稳信号的运动想象EEG，该模型是有局限性的。
5.7K20发布于 2020-06-30 - 来自专栏脑机接口
基于分类任务的信号(EEG)处理
我们可以通过eeglab去除一些不好的样本点，也可以利用一些算法进行去噪去干扰，例如去除工频干扰、利用滤波器滤波、去除眼电等，可以参考EEG预处理思维导图。 ?
1.9K21发布于 2020-07-24 - 来自专栏脑电信号科研科普
EEG脑电研究经典教材推荐
我们公众号之前曾经推送过类似的推文，但当时推荐的书籍不是很全面，另一方面笔者最近又看了不少经典的脑电书籍，因此在这里就重新做一个梳理，把一些经典的EEG脑电方面的教材推荐给大家，希望对EEG领域的同学和研究者有所帮助 本书的特色是用非常浅显易懂的语言介绍EEG各个方面的分析技术和方法，即使是对于没有任何编程基础的小白看起来也毫不费力，很适合刚接触EEG信号的研究者。 本书的特色是用非常浅显易懂的语言介绍EEG的时频分析技术，主要包括傅里叶变换、基于短时傅里叶变换的时频分析和小波变换的时频分析等，很适合刚接触EEG信号的研究者。 《脑电信号分析方法及其应用》 对于国产EEG教材来说，这一本应该是写的比较早的了。 《脑电信号处理与特征提取》 本书可以说是国产EEG教材的优秀代表，每一章都由不同的研究者撰写，内容上基本覆盖了目前常用和主流的EEG数据分析方法和技术，书中还配备了大量的代码、工具包的使用教程等。
1.2K30编辑于 2022-05-29 - 来自专栏米虫的家
BCI--Python-EEG工具库MNE
Python-EEG工具库MNE 一、环境配置 安装MNE-python shell pip install -U mne 测试 python import mne from mne.datasets ','EEG2','EOG'], ch_types=['grad','grad','eeg','eeg','eog'], sfreq=100 ) custom_raw = mne.io.RawArray (data,info) 3、对图形进行缩放 python """ 对图形进行缩放 对于实际的EEG / MEG数据，应使用不同的比例因子。 对通道eeg、grad，eog的数据进行2倍缩小 """ scalings = {'eeg':2,'grad':2,'eog':2} #scalings = 'auto' 设置自动缩放 custom_raw.plot ', 'EEG2', 'EOG'], ch_types=['grad', 'grad', 'eeg', 'eeg', 'eog'], sfreq=sfreq ) 第二步：构建events
1.9K20发布于 2020-09-24 - 来自专栏脑电信号科研科普
EEG参考电极如何影响运动准备电位？
《本文同步发布于“脑之说”微信公众号，欢迎搜索关注~~》 之前曾推送的一篇题目为《EEG参考电极方法对ERP成分的影响》的文章，研究者详细地研究了不同的EEG参考电极方案对脸部识别ERP成分N170的影响 在本文中，笔者对这篇论文进行简单的剖析，建议大家在阅读本文后，重新阅读下《EEG参考电极方法对ERP成分的影响》。总之，通过这两篇论文的解读，笔者希望大家对EEG参考电极方案选择问题引起足够的重视。 信号，EEG参考电极位于Cz-CPz之间，并同时采集左右手臂的肌电EMG信号。 EMG信号和EEG信号用EEGLAB工具包进行处理，EMG信号主要用于确定运动启动的准确时间； EEG信号的预处理包括滤波、重参考、去除噪声、分割等标准的流程，其中重参考步骤利用2种参考电极方案对EEG 该文章主要从以下3个方面研究了不同EEG参考电极方案对RP的影响： 1）RP的波形； 2）不同EEG参考电极方案下RP的电压地形分布图； 3）研究不同EEG参考电极方案对idle state和RP state
84120发布于 2020-12-16 - 来自专栏脑机接口
EEG数据、伪影的查看与清洗
在开始脑电(EEG)数据收集和分析之前，一定要确保你的数据尽可能的干净，这意味着收集的数据只是反映了大脑的活动。理论上听起来很简单，但实际上要注意“但是”。
1.2K10发布于 2020-06-30 - 来自专栏脑机接口
脑机接口EEG信号分类算法
[6dix6hhg82.png] 基于EEG的脑机接口分类算法 ---- 2007年之前的EEG分类算法： 1、 线性分类器，线性判别分析和支持向量机。 EEG信号的低信噪比，时间的非稳态随机性，因人而异性，可使用的训练数据有限以及目前整体BCI的性能和可信赖度较低。 自适应分类器主要包含三种类型:①监督自适应分类器，需要被标记的EEG数据进行训练，其新输入的EEG数据也需被标记。 理论上深度学习可以实现EEG更有效的特征提取和精度更高的模式分类，但实际中与先进的BCI算法相对缺少说服力。深度学习方法在BCI方面的应用需加探索。 EEG分类算法选择建议 1、 自适应分类器的性能优于静态分类器，可以考虑无监督自适应分类器的使用。
2.1K00发布于 2019-09-30 - 来自专栏脑电信号科研科普
EEG多元模式分析预测慈善捐赠行为
通过EEG数据的支持向量回归分析，研究了偶然情绪状态和慈善事业的紧迫感对捐赠行为的影响，并对捐赠金额进行了逐次的预测。 EEG数据采用基于MATLAB版本R2018a (MathWorks)的EEGLAB 12.8软件包离线预处理。脑电图数据首先下采样到500 Hz，然后重新参考左右乳突电极记录的脑电图活动平均值。 离线EEG数据采用0.1 ~ 30 Hz带通滤波。使用独立成分分析校正眨眼和眼部伪影。 2.4.3 EEG分析根据之前的研究，我们专注于时间锁定的EPN和LPP分量的情绪启动图片。
67620编辑于 2022-07-25 NC：无线耳脑电图（ear EEG）监测嗜睡
表面脑电图（EEG）作为一种安全、无创的技术，能够监测头皮上的大脑电活动。在临床上，EEG主要用于监测和诊断与睡眠和癫痫相关的神经系统疾病。 尽管改进的湿电极系统能提供长时间的隐蔽EEG监测，但仍需水凝胶应用，限制了其日常便利性。 需注意的是，与广泛覆盖的头皮阵列相比，耳内及耳周EEG在收集空间编码大脑活动方面存在本质上的限制。 为了消除电力线干扰(北美为60 Hz)，同时保持尽可能多的EEG活动，记录和重新引用的EEG通道都在0.05-50 Hz范围内进行了带通滤波。 参考文献：Wireless ear EEG to monitor drowsiness.
65610编辑于 2024-10-15- 来自专栏脑机接口
EEG vs MRI vs fMRI vs fNIRS简介
什么是EEG(脑电图)？ 脑电图(EEG)是一种生理学方法，用来记录大脑通过放置在头皮表面的电极产生的电活动。 EEG信号的测量，这对于快速确定大脑活动如何响应刺激而变化是有用的并且还可用于测量异常活动，例如癫痫。 EEG设备如何工作？ EEG设备的电极不能单独的测量某个神经元放电的，而是同时测量数千个神经元簇放电的结果，然后通过EEG设备的放大器将信号放大，进行数字化描述记录到软件中，进行数据采集。 EEG设备的一个缺点是空间分辨率 - 由于电极测量大脑表面的电活动，很难知道信号是在表面附近（在皮质中）还是在更深的区域产生的准确性。 参考： https://imotions.com/blog/eeg-vs-mri-vs-fmri-differences/
2K10发布于 2020-06-30 - 来自专栏米虫的家
BCI-EEG脑电数据处理
EEG脑电数据处理 脑电波（Electroencephalogram,EEG）是一种使用电生理指标记录大脑活动的方法，大脑在活动时，大量神经元同步发生的突触后电位经总和后形成的。 由于ICA处理的是点云，因此改变点的绘制顺序(EEG中的时间点顺序)对算法的结果几乎没有影响。 改变通道顺序(例如在EEG中交换电极位置)也不会影响算法的结果。 四、EEG信号特征提取算法(MI方向) EEG信号特征提取就是以脑电信号作为源信号，确定各种参数并以此为向量组成表征信号特征的特征向量。 1、频域分析 频域分析方法主要是基于EEG信号各频段功率、相干等。 这类方法是建立在假设EEG信号具有平稳特性的基础上，同时只是考虑信号的频域信息，忽略信号在时间上的分辨率。 2、时域分析 时域分析方法则主要分析EEG，如幅度、均值、方差、偏歪度、峭度等。 这类方法主要是利用EEG波形的性质，如波幅、均值、方差、偏歪度和峭度等对临床EEG记录进行观察分析。
4.1K32发布于 2020-09-24 - 来自专栏思影科技
揭示受伤大脑隐藏认知的EEG信号特征
Curley试图探索能够作为意识障碍患者认知能力指标的EEG信号特征，并检验将来用于重建沟通的可靠性。该研究发表在《Brain》杂志上。 严重脑损伤的病人是很难评估的且经常被误诊。 接着研究人员将昏迷恢复量表的得分根据阳性EEG响应的任务数和清醒背景脑电的正常度进行分类，发现1. CRS-R得分15分以上的被试全部具有EEG阳性响应，只有只有4位具有fMRI证据；2. 背景脑电严重异常的被试不具有EEG阳性证据。 ? 图3：所有研究的病人总的昏迷恢复量表-修订版得分总结。因为缺乏数据排除10号病人（评估1）。 大部分的健康对照组被试呈现出α波（8-12Hz）和/或β波（13-40Hz）的抑制，相较于健康对照组被试适度的EEG信号变异性，病人呈现出大量的EEG信号时空变异特性； 3. 21位EEG证据表明具有指令追随能力的被试中 ，只有9位证实在fMRI中存在指令追随能力，说明EEG的敏感性高于fMRI。
1.2K81发布于 2018-03-29 - 来自专栏脑电信号科研科普
EEG中如何鉴别心电干扰信号
《本文同步发布于“脑之说”微信公众号，欢迎搜索关注~~》 在EEG的信号处理过程中，通过独立成分分析（ICA）去除各种干扰信号应该是最麻烦的步骤，因为它需要操作者的主观判断，需要一定的经验才能准确无误地鉴别干扰信号 EEG中包含的主要噪声成分包括肌电、眼电、心电等，其中肌电和眼电非常常见，但是心电信号有时候能够在EEG中看到，有时并不存在。因此，在EEG预处理过程中也往往会忽略心电干扰信号的去除。 总结：由于心电干扰信号在有些被试身上能够记录到，在某些被试身上不太容易记录到，因此，在EEG预处理的过程中心电干扰信号容易被忽略（特别是对于新手朋友）。 通过本文的讲解，希望对刚入门EEG领域的新手朋友有所帮助。
91810发布于 2021-02-03 - 来自专栏脑电信号科研科普
EEG的参考电极方案及相互转换
但是在进行EEG信号分析时，依据数据分析的目的，往往需要对EEG进行重参考或者说是参考电极的转换。 本文，笔者重点详细介绍如何对不同的EEG参考电极方案进行相互转换。 单侧乳突/耳垂参考转换成双侧乳突/耳垂平均参考 EEG记录时以一侧乳突/耳垂作为参考电极，而在EEG分析时需要转换成双侧乳突/耳垂平均参考，此时需要在记录EEG的同时记录另一侧乳突/耳垂的EEG信号。 任意参考电极转换成双侧乳突/耳垂平均参考 比如说，记录EEG时参考电极在Cz附近，此时，需要同时把双侧乳突作为活动电极记录它们的EEG信号。 总结 本文，笔者详细论述了如何对不同的EEG参考电极进行相互转换。
2K20发布于 2020-11-11 - 来自专栏脑电信号科研科普
创伤后应激障碍的EEG功能连接特征
相比之下，EEG是一种价格较低的神经成像设备，提供亚毫秒的时间分辨率，然而由于存在体积传导效应，空间分辨率较低。 2.3 脑电采集、预处理和源定位 脑电记录使用BrainAmp DC放大器和EasyCap EEG记录帽采集。 关于睁眼状态的特异性，EEG和fMRI的研究，包括在完全黑暗中进行的研究，都表明在睁眼和闭眼的范式中，大脑的内在休息网络的组织方式不同。在睁眼EEG中，额叶和颞叶皮质观察到能量和一致性的选择性增加。 通过采用一种新的分析方法(功率包络正交化)来缓解体积传导，可以使用静息状态EEG连通性分析来揭示PTSD的稳固连接轮廓。 此外，鉴于EEG比传统的fMRI更易于使用和成本更低，识别这些连接异常为大脑连接研究的近期临床转化奠定了基础。
64510编辑于 2022-01-13
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号