- 综合排序
- 最热优先
- 最新优先
- 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 本书内容主要涉及EEG的预处理、传统脑电分析方法（如功率谱分析）、非线性动力学分析方法（如混沌、信息论、复杂度等）、脑电的功能连接和有向连接分析以及脑电在脑疾病和神经科学领域的应用等。 9. 但是，这本570多页的教程，不仅仅讲述Matlab本身，书中包含大量的关于EEG脑电数据分析技术方法以及相应Matlab代码。 11. 《脑电与认知神经科学》 本书也是不可多得的优质国产EEG教材，基本涉及脑电研究的方方面面，包括脑电的神经生理学基础、脑电采集方法、脑电重参考技术、ERS\ERD、脑电时空分析方法（如ICA、PCA等） 、脑电溯源、脑网络分析以及脑电在认知神经科学和临床疾病研究中的应用等。
1.3K30编辑于 2022-05-29 - 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。 5、基线校正 被试被认为是处于一个相对平静的状态，此时的脑电活动代表了一个平静状态下的脑电活动，将这段时间内的脑电活动当做成一个基线。 常用的一些参考位置有双侧乳突平均参考，指将两个乳突数据的平均值作为参考数据，或者是全脑平均参考，指的是将全脑所有数据的均值作为参考数据的方法，不过使用全脑平均参考的时候要注意，眼电数据不要纳入其中，因为眼电数据的波动起伏非常大 前面说过，我们记录到的是头皮脑电，脑电帽上划出了一个个的点来表示位置，但是我们在FPz点记录到的数据，就真的是FPz点这个位置头皮下方的区域所产生的电活动？不一定。 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。
4.1K32发布于 2020-09-24 - 来自专栏脑电信号科研科普
EEG脑电公开数据库大盘点
数据类型主要包括MRI，MEG，EEG，iEEG和ECoG。 网址：https://openneuro.org/ 3.BCI Competitions 包括多个基于EEG的BCI竞赛的脑电数据集。 网址：https://physionet.org/ 7.EEGbase平台 EEGbase是一个用于存储，管理，共享和检索与电生理相关的EEG / ERP、元数据、工具和文档的系统和平台。 EEGbase通过允许访问公共数据，工具和结果来推进电生理学研究。 当然，其中还包含MRI，人口统计信息和问卷信息以及多模式电生理数据（例如，EEG，细胞记录）。 、动物EEG、ECoG等脑电数据。
4.1K20编辑于 2022-05-02 - 来自专栏云深之无迹
开源EEG-脑电采集硬件KS108x
目前在做一个可以采集眼动和脑电数据的硬件平台，目前的摄像头就先搞一个USB的就行，先可以处理数据就行。 因此在穿戴应用环境下，兼顾考虑体积，功耗续航和信号完整性和精度，整体上来讲，比较适合穿戴心电产品应用的，如手环手表心电，手持式心电，心电带等。 脑电这块，我找到了一个厂家： 在坪山，以前就不知道。。。 KS1091/KS1092是一个集成的单/双通道前端，用于小生物电位监测的信号调理。 其实不便宜了 很小巧 #可穿戴、便携式脑电波EEG设备； #脑机接口（BCI）设备，如脑电图头盔、脑控设备、耳机等； #注意力/冥想训练； #睡眠监测； #脑功能/脑电波EEG科学研究，多通道脑电波 EEG设备； #其他微伏/毫伏级微弱信号检测； 元件是比较少的，属于是接电就可以使用的样子 另外是心电也可以顺手做了 另外还有这个PCB的设计也有趣 这个是金的！！！
85710编辑于 2024-08-20 - 来自专栏脑电信号科研科普
时频分析方法及其在EEG脑电中的应用
然而，目前大多数的脑电研究工作都集中在分析脑电数据的事件相关电位（ERPs）或基于傅立叶变换的功率分析，但是它们没有利用EEG信号中包含的所有信息——ERP分析忽略了非锁相信号，基于傅里叶的功率分析忽略了时间信息 而时频分析（TF）通过分离不同频率上功率和相位信息，可以更好地表征脑电数据中包含的振荡，TF提供了对神经生理机制更接近的解释，促进神经生理学学科之间的连接，并能够捕获ERP或基于傅里叶分析未观察到的过程 但是，本文献综述表明，脑电时频分析尚未被发展认知神经科学领域所广泛应用。 该方法通过将不同频率的正弦波与EEG数据卷积来测量其在给定频率下的振幅。在给定频率下，信号的能量通常用功率来测量，功率是振幅的平方。然而，它假设信号是平稳的，失去了脑电信号中丰富的时间信息。 在电极间进行脑电分析的一个局限性是脑电的空间分辨率较低。由于电容传导，由一个信号源可以传播到头皮的不同区域，在头皮上一个位置记录的读数有多个活动。
2.3K20编辑于 2022-05-16 - 来自专栏脑机接口
干货|详解EEG脑电原理及两种主流脑电设备对比
脑电图（EEG）是一种非侵入性记录脑电活动的电生理监测方法，电极沿着头皮放置，然后通过放置在头皮上的多个电极，记录大脑在一段时间内自发进行的电活动。 本文将为您阐述EEG的原理，并根据原理来选择合适的脑电。 01 生物电 说到脑电就要先从生物电开始说起。生物电就是生物的器官、组织和细胞在生命活动过程中发生的电位和极性变化。 △无损方法：Noninvasive-scalp EEG(非侵入式颅外脑电） △EEG和fNIRS共同采集 损伤方法包括：手术中的颅内技术、脑损伤或脑局部切除患者的颅外记录、动物模型的急慢性埋藏电极记录等 △前额电极 06 如何选择脑电设备？ 一般选择脑电的话要考虑到两个因素，一个是环境因素，一个是测试精度。 ，还有特殊电极即cEGrid耳周电极格栅（专门测试耳朵周围的EEG脑电信号）。
5.8K22编辑于 2023-02-13 - 来自专栏云深之无迹
脑电采集+TGAM脑电模块
要设计测量脑电的硬件，需要考虑以下几个方面： 电极的数量和位置：需要确定使用多少电极以及电极的放置位置。 通常脑电测量会使用多个电极来捕捉脑电信号的变化，常用的电极布局有国际10-20系统、10-10系统、10-5系统等。 信号放大和滤波：脑电信号的幅度通常比较小，需要使用放大器来增加信号的幅度。 它可以通过单电源电压实现单电源操作，适合用于低成本的脑电放大器设计。 INA114: INA114是一款高精度的差分放大器，具有较高的输入阻抗、增益和共模抑制比。 它需要外部电源和运算放大器来实现放大和滤波，适合用于高性能的脑电放大器设计。 滤波器是脑电放大器中非常重要的组成部分，用于滤除不需要的信号和噪声，以保留感兴趣的生物电信号。 TGAM模块的特点及优势 •能直接连接干接触点，不像传统医学用的湿传感器使用时需要上导电胶 • 单EEG脑电通道有3个接触点：EEG（脑电采集点）REF（参考点）GND（地线点） • 上电后若接触点连续四秒没有采集到脑电或连续七秒收到差的脑电信号
3K22编辑于 2023-05-24 - 来自专栏脑电信号科研科普
做EEG脑电+脑科学研究不得不看的几本书
《本文同步发布于“脑之说”微信公众号，欢迎搜索关注~~》 从1929年Hans Berger第一次发表头皮记录的EEG论文，并观察到被试在进行心算时可导致EEG中的α节律的降低，到1939年Hallowell Davis等研究者首次发表关于事件相关电位ERP的论文，再到目前EEG/ERP在脑科学或认知神经科学领域的广泛应用，EEG/ERP技术由于其时间分辨率高、设备价格便宜等优点，已然成为脑科学研究中不可或缺的工具 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。 《An introduction toEvent-related Potential》(Second Edition) ERP技术被誉为“观察脑的高级功能的窗口”，其通过外部或内部的刺激研究被试大脑在执行某特定认知功能时的潜在神经机制 研究的大牛，首先观察到解脱波（extrication wave）、二级CNV；创建了研究情绪、MMN、CNV的新的ERP实验方法；首先提出CNV心理负荷学说、大脑半球间优势的两维观点、注意过滤器的可塑性及脑高级功能的多维动态模式等假说
1.2K00发布于 2021-01-25 - 来自专栏脑机接口
脑机接口EEG信号分类算法
人工智能的发展也给脑机接口技术带来了很广阔的空间，目前限制脑机接口技术的走出实验室的主要原因是脑电信号的因人而异性，在线脑机接口的信号传输率，准确率等。 [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。 分类器的参数跟踪脑电信号随时间而变，跟踪可能变化的特征分布，从而对非平稳变化的脑电信号能够保持有效。 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。 迁移学习技术在运动想象脑机接口技术方面得到有效应用，提高了session-to-session和subject-to-subject的分类性能，可解决脑电信号分类结果因人而异的问题，其算法健壮、计算复杂度不是很高利于在线
2.1K00发布于 2019-09-30 - 来自专栏脑机接口
脑电分析系列| 生成模拟原始脑电数据
在实验中有时需要原始脑电数据来进行模拟实验，但又限于实验条件的不足，需要构造模拟的原始脑电数据。 本示例通过多次重复所需的源激活来生成原始数据。 data_path + '/MEG/sample/sample_audvis_raw.fif' fwd_fname = data_path + '/MEG/sample/sample_audvis-meg-eeg-oct -6-fwd.fif' # 加载真实数据作为模板 raw = mne.io.read_raw_fif(raw_fname) raw.set_eeg_reference(projection=True
76221编辑于 2022-08-17 - 来自专栏脑机接口
脑电分析系列| 脑电数据的Epoching处理
op.join(data_path, 'MEG', 'sample', 'sample_audvis_raw.fif') raw = mne.io.read_raw_fif(fname) raw.set_eeg_reference ('average', projection=True) # 设置EEG 平均参考 要创建时间锁定的epochs，首先需要一组包含有关时间信息的事件。 定义为T/m表示梯度计，T表示磁强计，V表示EEG和EOG电极。
1.1K20编辑于 2022-08-17 - 来自专栏脑机接口
脑电与情绪
脑电图（EEG）是一种医学成像技术，可以测量由大脑产生的头皮电活动，即测量并按时间顺序记录头皮表层由大脑中祌经元内的离子电流引起的电位波动。研究表明，人的认知行为和心理活动与脑电信号具有较强的相关性。 脑电采集的信号通过离散傅里叶变换（Discrete FourierTransform，DFT），快速傅里叶变换（Fast Fourier Transform，FFT）等算法转换到频域后包含连续的频谱信号 beta波频率范围约为13-30Hz，是人类逻辑分析等主要脑电成分，主要集中在大脑额叶。当人处于清醒或者精神紧张、情绪激动时，大脑容易产生该频段信号。 gamma波频率范围约为30-47Hz，是脑电信号中频率最高的成分。当人专注于某一事物时或处于警觉时，容易产生gamma波。 图1为不同频段的脑电信号。 ? ASurvey on EEG BasedEmotion Recognition>[J].
1.1K30发布于 2020-06-30 - 来自专栏脑机接口
脑电分析系列| Python协方差矩阵处理脑电数据
主要介绍一下MNE中如何用协方差矩阵来处理脑电数据的。 MNE中的许多方法，包括源估计和一些分类算法，都需要根据记录进行协方差估计。 ', 'sample', 'sample_audvis_raw.fif') # 读取原始数据 raw = mne.io.read_raw_fif(raw_fname) #设置平均参考 raw.set_eeg_reference ('average', projection=True) #增加一个不良通道 raw.info['bads'] += ['EEG 053'] # bads + 1 more 噪声的定义取决于范式。 raw_empty_room.info['bads'] = [ bb for bb in raw.info['bads'] if 'EEG' not in bb] raw_empty_room.add_proj Gramfort A. (2015) Automated model selection in covariance estimation and spatial whitening of MEG and EEG
1.1K20编辑于 2022-08-17 - 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。 在本文中，笔者针对心电干扰信号，简述其脑地形图、功率谱、时域信号的特征（注：这里所说的都是脑电信号ICA之后的心电成分），以帮助新手朋友快速鉴别这种干扰信号。 1.脑地形图 心电干扰信号的ICA成分的脑地形图如下图所示，整体来说，它表现出一种阶梯渐进式的变化，可以据此对心电干扰信号有一个大概的判定。 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）。
92910发布于 2021-02-03 - 来自专栏思影科技
BIOSEMI脑电系统介绍
产品简介： Biosem公司创立于1998年，由荷兰阿姆斯特丹大学的三位学者共同创立，距今已有20多年的脑电产品生产，销售，维护经验，其客户包括加州理工，加州大学戴维斯分校，加拿大麦吉尔大学，普林斯顿大学 Biosemi Active2脑电系统采用主动电极技术，直流模式采集脑电信号，24bit分辨率，小巧的第二代主动式电极使得Active2产品在采集原始脑电信号方面提供更丰富的细节，Active2产品可提供 16/32/64/128/256等多种配置方案，进行多通道同步采集，另提供8通道双极导联用于采集EXG信号（如心电，肌电等），满足您的科研需求。 Effects of prefrontal cortex damage on emotion understanding: EEG and behavioural evidence.
1.9K31发布于 2019-12-27 - 来自专栏脑机接口
脑电与情绪简介
脑电图与情绪 脑电图（EEG）是一种医学成像技术，可以测量由大脑产生的头皮电活动，即测量并按时间顺序记录头皮表层由大脑中祌经元内的离子电流引起的电位波动。 脑电采集的信号通过离散傅里叶变换（Discrete FourierTransform，DFT），快速傅里叶变换（Fast Fourier Transform，FFT）等算法转换到频域后包含连续的频谱信号 beta波频率范围约为13-30Hz，是人类逻辑分析等主要脑电成分，主要集中在大脑额叶。当人处于清醒或者精神紧张、情绪激动时，大脑容易产生该频段信号。 gamma波频率范围约为30-47Hz，是脑电信号中频率最高的成分。当人专注于某一事物时或处于警觉时，容易产生gamma波。图1为不同频段的脑电信号。 ? A Survey on EEG BasedEmotion Recognition>[J].
1.1K10发布于 2020-06-30 - 来自专栏云深之无迹
谷歌开源脑电-Amber
Amber团队花了三年时间创建了一个低成本、便携式、研究级、可像泳帽一样滑动的头戴式耳机，旨在更容易地收集EEG数据。 团队还探索了如何将机器学习的新方法应用于解释脑电图数据。 为了使脑电图数据更广泛地被心理健康研究人员和临床医生使用——即在电生理学实验室和神经病学诊所之外——拥有大规模对信号进行降噪的自动化方法，并确定脑电图信号的哪些方面是相关的，这将是有帮助的。
23510编辑于 2024-08-20 - 来自专栏米虫的家
BCI--脑电基础整理
脑电基础整理 脑机接口（BCI），是一种通过检测中枢神经系统活动并将其转化为人工输出，来替代、修复、增强、补充或者改善中枢神经系统的正常输出，从而改变中枢神经系统与内外环境之间的交互作用的技术。 一、采集脑电信号的四种技术 1、脑电图(Electroencephalography,EEG) 脑电图通过电极记录大脑的电活动，电极通常嵌入电极帽中。 2、SSVEP信号原理与基础 关于SSVEP信号的原理，主流观点认为大脑里分布的各种神经网络都有其固有的谐振频率，在正常状态下，这些神经网络都是互不同步的，也是杂乱无章，没有规律的，此时的脑电信号是自发脑电 在使用视觉刺激装置来获取SSVEP信号时，在大脑皮层中与枕叶视觉区有关的脑电通道主要有六个（P03,P0Z,P04,01,0Z,02） ? （3）诱发SSVEP信号的刺激源要具有友好性，满足受试者对于舒适性的要求，刺激频率过高或是刺激强度过大容易导致视觉疲劳而影响视力健康，甚至会诱发癫痫样脑电活动。 ?
3K42发布于 2020-09-24 - 来自专栏脑机接口
ICA处理脑电资料汇总
眼电判断的时候，可以结合头皮地形图、ERP图、每个成分功率谱图，以及矫正之后的脑电图是否有差异，进行综合的评估。 心电成分 ? 成分判断：心电成分 判断依据： 1.在ERP图像中呈雨点般散落状。 ? 关于脑电图EEG，Rose小哥分享过很多，可以查看《什么是EEG以及如何解释EEG?》《EEG数据、伪影的查看与清洗》等。 今天分享的这篇利用独立成分分析ICA去除EEG伪影是翻译自jung大神的一篇文章。 介绍 眼动，眨眼，肌肉，心脏和线的噪音会严重污染脑电图活动，这在脑电解释和分析中会产生非常严重问题。 一些严重污染的脑电数据 ? (A)由于不良的数据采集设置而导致的EEG时间序列损坏的五秒钟部分；(B)ICA提取的噪声成分（右图）。
2.5K21发布于 2020-06-30 - 来自专栏脑机接口
脑电分析系列| 使用多种滤波器对脑电数据去除伪影
本文分别使用陷波滤波器、低通滤波、高通滤波来对EEG数据去除电源线等噪声。 = mne.io.read_raw_fif(raw_fname) raw.crop(tmin, tmax).load_data() raw.info['bads'] = ['MEG 2443', 'EEG 选择一通道的子集 selection = mne.read_selection('Left-temporal') picks = mne.pick_types(raw.info, meg='mag', eeg
2K30编辑于 2022-08-17
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