MATLAB进行EEG预处理

### 使用MATLAB对EEG数据进行预处理 #### 认识脑电数据 原始的脑电数据表现为一系列随时间变化而波动的曲线，通常由多个通道记录下来。这些数据可能含有不同类型的标记用于区分实验条件或事件触发点[^1]。 #### 初始化环境并加载数据 为了开始预处理流程，在MATLAB环境中需先安装好EEGLAB工具箱，并通过特定函数导入EDF格式或其他支持的数据文件。 ```matlab % 启动EEGLAB eeglab; % 加载EEG数据集 setpref('EEGLAB', 'verbose_level', 0); EEG = pop_loadset('filename', 'yourfile.edf'); ``` #### 删除无用通道与定位有效通道位置 有时并非所有记录下的通道都适用于后续分析，因此可以根据研究需求移除不必要的通道；同时确认剩余通道的空间分布情况有助于理解信号源的位置关系。 ```matlab % 移除非目标区域内的传感器 chanlocs = EEG.chanlocs; keepchans = {'Cz','Pz','Oz'}; % 自定义保留哪些通道名称列表 for i=1:length(chanlocs) if ~ismember(chanlocs(i).labels, keepchans) chanlocs(i) = []; end end EEG.chanlocs = chanlocs; pop_select(EEG); % 更新界面显示 ``` #### 应用带通滤波器去除不需要频率范围内的噪音 采用合适的低频截止和高频截止参数设置能够有效地减少生理噪声干扰以及提高信噪比。 ```matlab % 设定滤波参数 lowcut = 0.5; highcut = 4; EEG_filtered = pop_eegfiltnew(EEG, lowcut, highcut); % 绘制过滤后的结果图像验证效果 figure(); eegplot(EEG_filtered.data); title(['Filtered Data Between ', num2str(lowcut), '-Hz and ', ... num2str(highcut),'-Hz']); ``` #### 执行基线校正调整各片段间的一致性 此过程旨在消除由于个体差异造成的直流偏移影响，使得同一受试者多次测量之间具有可比性。 ```matlab baseline_period = [-Inf Inf]; % 或指定具体的毫秒区间作为参考期 EEG_baselinecorrected = baselineCorrection(EEG_filtered, baseline_period); ``` #### 实施重参考策略改进空间分辨率 改变参照电极可以帮助改善某些情况下存在的共模抑制问题，从而获得更清晰的大脑活动模式映射图谱。 ```matlab reref_method = 'average'; % 平均参考法是最常用的一种方式 EEG_rereferenced = pop_reref(EEG_baselinecorrected, reref_method); ``` #### 减少采样率优化存储效率而不损失重要特征信息 当初始采集速率过高时适当下调可以节省计算资源消耗的同时保持足够的解析度满足大多数应用场景的要求。 ```matlab desired_srate = 256; % 新的目标采样频率(Hz) EEG_resampled = pop_resample(EEG_rereferenced, desired_srate); ``` #### 插补缺失值填补因设备故障等原因产生的空白处 对于偶尔出现断连状况所留下的空缺部分可通过邻近正常样本点来进行合理推测填充，确保整体序列连续完整便于进一步统计学检验。 ```matlab bad_channels = find(~isfield(EEG_resampled.chanlocs,'labels')); % 查找有问题的索引编号 if length(bad_channels)>0 EEG_interpolated = pop_interp(EEG_resampled, bad_channels); else disp('No channels need interpolation.'); end ``` #### 利用ICA分解分离混合成分识别异常项 独立分量分析技术可以从复杂的多维向量场中提取出相互独立的基础要素出来，进而辅助人工判断是否存在运动伪影等因素污染原始观测资料的情况发生。 ```matlab [icaweights, icachannels, icasources] = pop_runica(EEG_interpolated); % 显示各个独立组件对应的头皮投影分布图形供专家审核挑选待排除项目 topoplot(icaweights(:,find(abs(icasources)>3)), icachannels); disp('Please visually inspect the topoplots to identify artifacts.'); % 用户交互式选择需要丢弃掉的ICs序号数组（假设为artifacts） artifacts = inputdlg({'Enter indices of artifact components:'}); EEG_cleaned = pop_rejcomp(EEG_interpolated, str2num(cell2mat(artifacts))); ``` #### 数据分割成试验单元方便批量处理 最后按照实际任务设计将长时间持续不断的流形切分成若干个较短的时间窗口以便于针对性地开展各项指标评估工作。 ```matlab event_type = 'stimulus_onset'; % 替换成自己关心的具体事件标签名 epoch_length = [−200 800]; %[ms] EEG_epochs = epoching(EEG_cleaned,event_type ,epoch_length ); ```