Logo
数据标注
根据实验需求的不同，Mark分为以下3类。 数据标注 Data Annotations 在脑电实验中，事件标记（Mark）被用来区分实验条件、记录刺激呈现或反应的准确时间，并嵌入EEG信号的时间 轴中。Mark是实现时间同步的核心手段，是构建“刺激-相应-记录”之间的时间桥梁的关键角色。 将EEG数据与其他数据类型结合，以提供更全面的分析视角，探索大脑活动与个体的行为、心理状态之间的关系。 研究者通常会采用统一的编码规则，如使用数字或字母表示不同的事件类型，便于后续分析。 编码规范： 标注类型： 每个实验条件或刺激类型具有唯一Mark，例如，声音刺激标记为“11”，视觉刺激标记为“12”。 根据被试的反应标记不同的类型，例如，判断正确标记为“1”，错误标记为“2”。 每个试次具有唯一的mark，便于后期剔除异常的数据。 刺激类别Mark： 反应事件Mark： 刺激标号Mark： 多模态标注： 记录参与者的行为反应 如按键反应时间、正确率等 收集参与者的主观评价 如疲劳感、注意力水平等 心率、皮肤电反应等，与脑电 数据结合进行多模态分析。 行为数据 问卷数据 生理数据 根据实验需求的不同，Mark分为以下3类。 数据标注 Data Annotations 在脑电实验中，事件标记（Mark）被用来区分实验条件、记录刺激呈现或反应的准确时间，并嵌入EEG信号的时间 轴中。Mark是实现时间同步的核心手段，是构建“刺激-相应-记录”之间的时间桥梁的关键角色。 将EEG数据与其他数据类型结合，以提供更全面的分析视角，探索大脑活动与个体的行为、心理状态之间的关系。 研究者通常会采用统一的编码规则，如使用数字或字母表示不同的事件类型，便于后续分析。 编码规范： 标注类型： 根据被试的反应标记不同的类型，例如，判断正确标记为“1”，错误标记为“2”。 每个试次具有唯一的mark，便于后期剔除异常的数据。 反应事件Mark： 刺激标号Mark： 每个实验条件或刺激类型具有唯一Mark，例如，声音刺激标记为“11”，视觉刺激标记为“12”。 刺激类别Mark： 多模态标注： 记录参与者的行为反应 如按键反应时间、正确率等 收集参与者的主观评价 如疲劳感、注意力水平等 心率、皮肤电反应等，与脑电 数据结合进行多模态分析。 行为数据 问卷数据 生理数据
常见的脑电信号预处理步骤： 生理伪迹 滤波： 重参考： 分段和基线校正： 剔除坏导： 剔除坏段： 基于ICA的伪迹去除： 眼电伪迹，如眨眼、眼动 根据伪迹的频率范围选择合理的滤波器，可以有效减少原始脑电数据中的伪迹。例如，高通设置为0.1Hz，低通 设置为40Hz，可以保留0.1~40Hz范围内的数据。通常使用凹陷滤波消除特定频率的干扰，例如，50Hz的市电干 扰。滤波通常作为预处理的第一步，不然容易引入滤波伪迹。 选择参考电极时尽可能选择远离兴趣区的电极。乳突及耳垂因其远离其他电极，记录到的大脑活动较少，常被用 作参考。对于较大密度且分布均匀的脑电记录系统，通常推荐使用平均参考法，若电极数量小于32，则不适合 采用平均参考。 为研究感觉或认知时间诱发的脑电响应，可以对刺激开始前后的脑电数据进行分段。如刺激前100ms到刺激后 600ms。为消除自发脑电波导致的脑电噪声，分段数据各点减去一个平均基线值，进行基线校正。对于静息态 数据，这一步不是必要的。但在实际操作中为了便于分析，有时候也会分段。一般为几秒的非重叠段。 某些电极发生通道故障、接触不良等问题，这些导联被称为坏导。这一情况在高密度脑电采集设备中非常常见。 在后续的数据分析之前有必要找出并剔除坏导。 在数据采集中，某些分段存在明显伪迹，如肌电伪迹过多、因为疲倦没有专注于任务上等。常用的坏段剔除方法 是基于交互界面直观地检查数据，但对于坏段是否应该被剔除存在争议。除此之外，研究者也会剔除被试反应错 误的试次。 ICA分解原始脑电数据后，将分离的独立成分划分为伪迹和神经活动相关成分，剔除被标记为伪迹的相关成分 后，对其他数据进行重组，从而保留真实的脑电信号。 肌电伪迹，如额肌、颓肌活动 心电伪迹，如心跳 其他伪迹，如头皮出汗或位移等 非生理伪迹 市电干扰：50Hz（欧洲）、60Hz（美国） 电极伪迹，如电极与头皮接触不良 脑电记录系统故障，如放大器〝噪声〞 环境因素，如电线或电路板接触不良 脑电信号中的生理伪迹和非生理伪迹 - - 脑电信号是一种随机性很强的生理信号，幅度微弱，容易被无关噪音污染，从而形成各种伪迹。因此，从头皮电 极上直接记录到的脑电信号往往不能准确代表大脑的神经信号，需要对进一步的预处理和降噪。 脑电信号中的伪迹大致可分为两类：生理伪迹和非生理伪迹。生理伪迹通常由靠近头部的身体活动造成，如眼 睛、肌肉、心脏、皮肤等，非生理伪迹则源自电极与皮肤接触、设备性能、环境因素等。 数据预处理与降噪 Data preprocessing and denoising 常见的脑电信号预处理步骤： 生理伪迹 滤波： 重参考： 分段和基线校正： 剔除坏导： 剔除坏段： 基于ICA的伪迹去除： 眼电伪迹，如眨眼、眼动 根据伪迹的频率范围选择合理的滤波器，可以有效减少原始脑电数据中的伪迹。例如，高通设置为0.1Hz，低通 设置为40Hz，可以保留0.1~40Hz范围内的数据。通常使用凹陷滤波消除特定频率的干扰，例如，50Hz的市电干 扰。滤波通常作为预处理的第一步，不然容易引入滤波伪迹。 选择参考电极时尽可能选择远离兴趣区的电极。乳突及耳垂因其远离其他电极，记录到的大脑活动较少，常被用 作参考。对于较大密度且分布均匀的脑电记录系统，通常推荐使用平均参考法，若电极数量小于32，则不适合 采用平均参考。 为研究感觉或认知时间诱发的脑电响应，可以对刺激开始前后的脑电数据进行分段。如刺激前100ms到刺激后 600ms。为消除自发脑电波导致的脑电噪声，分段数据各点减去一个平均基线值，进行基线校正。对于静息态 数据，这一步不是必要的。但在实际操作中为了便于分析，有时候也会分段。一般为几秒的非重叠段。 某些电极发生通道故障、接触不良等问题，这些导联被称为坏导。这一情况在高密度脑电采集设备中非常常见。 在后续的数据分析之前有必要找出并剔除坏导。 在数据采集中，某些分段存在明显伪迹，如肌电伪迹过多、因为疲倦没有专注于任务上等。常用的坏段剔除方法 是基于交互界面直观地检查数据，但对于坏段是否应该被剔除存在争议。除此之外，研究者也会剔除被试反应错 误的试次。 ICA分解原始脑电数据后，将分离的独立成分划分为伪迹和神经活动相关成分，剔除被标记为伪迹的相关成分 后，对其他数据进行重组，从而保留真实的脑电信号。 肌电伪迹，如额肌、颓肌活动 心电伪迹，如心跳 其他伪迹，如头皮出汗或位移等 非生理伪迹 市电干扰：50Hz（欧洲）、60Hz（美国） 电极伪迹，如电极与头皮接触不良 脑电记录系统故障，如放大器〝噪声〞 环境因素，如电线或电路板接触不良 脑电信号中的生理伪迹和非生理伪迹 - - 脑电信号是一种随机性很强的生理信号，幅度微弱，容易被无关噪音污染，从而形成各种伪迹。因此，从头皮电 极上直接记录到的脑电信号往往不能准确代表大脑的神经信号，需要对进一步的预处理和降噪。 脑电信号中的伪迹大致可分为两类：生理伪迹和非生理伪迹。生理伪迹通常由靠近头部的身体活动造成，如眼 睛、肌肉、心脏、皮肤等，非生理伪迹则源自电极与皮肤接触、设备性能、环境因素等。 数据预处理与降噪 Data preprocessing and denoising
Logo