手把手系列教程||使用EEGLAB2023版对脑电数据进行预处理

Question

如题所述

Answer 1

手把手指导：EEGLAB 2023版脑电数据预处理实战

在探索神经科学的奇妙世界中，EEGLAB 2023版为我们提供了一套强大的工具。首先，确保你的计算环境已准备就绪：安装最新版本的Matlab（R2019a以上），并下载官方发布的EEGLAB 2023，或者通过公众号获取包含插件的资源。别忘了添加loadcurry插件，只需在File > Manage EEGLAB extensions中轻松完成。

接下来，我们以一个静息态EEG数据为例，1000Hz采样，可从公众号获取。使用loadcurry插件导入Neuroscan curry8格式的数据，如数据文件名sub1.cdt，记得设置KeepTriggerChannel为True，CurryLocations选择False。

预处理步骤

首先，对数据进行基本的处理：使用Tools > Change sampling rate功能，将数据降采样至500Hz，代码示例如下：

EEG = pop_resample(EEG, 500);

对于批量处理，记得编写脚本以节省时间，特别是当数据量大的时候。接着，对数据进行滤波：

带通滤波：1-80Hz，使用Tools->Filter the data->Basic FIR filter，输入这两个频率值，确保滤波设置正确。
陷波滤波：针对50Hz干扰，再次使用Filter the data，选择Notch滤波，清除50Hz的噪声。

接下来，根据需要剔除无关电极，如M1和M2，通过Edit->Select data，选择并删除这些不需要的电极，代码如下：

EEG = pop_select( EEG, 'rmchannel',{'M1', 'M2'});

在数据预处理的过程中，检查和处理坏导坏段至关重要。通过Plot->Channel data，调整时间范围和电极显示，发现并标记不良数据段，然后使用相应工具进行删除。

去伪迹与ICA应用

ICA（独立成分分析）是去伪迹的关键步骤。使用pop_runica工具运行ICA，注意识别眼动伪迹，如水平和垂直眼动。数据质量会影响伪迹提取的准确性，通过贝叶斯理论或经验判断，谨慎处理ICA成分。对于大量成分，推荐使用ICLabel插件，其能自动识别高达98%的眼动伪迹，并允许用户自定义阈值进行标记。

设置ICA阈值：从50%到90%不等，根据研究需求调整。部分不完全分离的ICA可能会导致脑信号损失，所以在分析时需留意。

完成ICA去伪迹后，可以对数据进行重参考，如全脑平均，代码如下：

EEG = pop_reref(EEG, []);

对于多被试数据，虽然预处理流程看起来复杂，但大部分步骤可以自动化。建议为每个阶段创建文件夹结构，如降采样、ICA处理、伪迹去除和重参考等，便于后期追踪和修改。

最后，确保你的数据清晰明了，按照以下步骤操作：

将cdt文件转换为set文件，500Hz采样，移除无用电极，存入 "_step1" 文件夹。
在_eeglab中检查和处理坏导、坏段，存入 "_preica" 文件夹。
从 "_preica" 文件夹读取set文件，运行ICA，结果存入 "_ica" 文件夹。
使用ICLabel处理并保存处理后的数据，自定义阈值去除伪迹。

在每一步操作后，都要检查数据状态，确保正确无误。记得用pop_subcomp(EEG, [], 0)进行伪迹去除，pop_reref(EEG, [])执行全脑重参考，eeg_checkset(EEG)检查数据，最后用pop_saveset(EEG)保存处理结果。至于获取教程数据，只需输入"EEG预处理数据"即可。

至此，预处理工作已经完成，你已经掌握了EEGLAB 2023版的基本操作。期待你在神经科学探索的道路上取得丰硕的成果。

Part4 感谢

感谢你跟随我们的EEGLAB 2023预处理教程，如果你发现任何问题或有改进的建议，欢迎随时指正。祝你科研之路顺利！