脑电的神经起源与测量-EEG Processing and Feature 2

原创 已于 2022-09-21 09:58:05 修改 · 687 阅读 · 1 ·
本内容遵循CC 4.0 BY-SA版权协议
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
收录于
BCI

当前文章被收录于：

BCI
27 篇文章 62 人学习

脑机接口相关内容

订阅专栏 查看详情
于 2021-10-13 15:30:02 首次发布
本文围绕《EEGProcessingandFeatureExtraction》视频，解析脑电信号的神经生物学基础，讲解了脑电测量方法，电极布置影响，以及实验注意事项。内容包括电极信号特性、容积传导效应和数据分析入门指南。

这是《EEG Processing and Feature Extraction》的第二个视频资料整理。内容是“脑电的神经起源与测量”。

视频地址：https://www.bilibili.com/video/BV1Sg411775g/?spm_id_from=333.337.search-card.all.click&vd_source=9ddbbbcbfdb81f60495d541b75a93179

脑电的神经起源与测量

在这里插入图片描述

脑电的神经起源

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
参考电极的波形（如果只有一个）：一条恒为0的直线。

脑电的测量

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
Marker的两个重要属性：类型、时间。
在这里插入图片描述
在这里插入图片描述
电极帽如果靠后了，信号表现为靠前。
在这里插入图片描述
与被试交谈的内容：1. 闲扯，2. 脑电是安全的，3. 脑电实验需要注意的事项。
在这里插入图片描述
在这里插入图片描述
相邻的电极信号走势相似，因为容积传导，导致空间分辨率低。
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
脑电数据分析先学什么：

  1. 预处理
  2. 时域分析
  3. 频谱分析
  4. 时频分析
标签
#EEG
EEG signal processing 脑电信号处理方法算法
04-27
EEG signal processing 脑电信号处理方法算法 总结
特征提取feature extraction
03-27
python实现特征提取深度学习，最详细的代码讲解，欢迎大家多多交流。
脑电数据分析方法与应用实例简介-EEG Processing and Feature 1
梁小憨憨的博客
10-13 5962
这是《EEG Processing and Feature Wxtraction》的第一个视频资料整理。内容是“脑电数据分析方法与应用实例简介”。 脑电数据分析方法与应用实例简介书本简介脑电技术发展历程脑电技术简介应用实例 书本简介 https://pan.baidu.com/s/1012RTrfL5_AMGDAB8AmR6g提取码: 59vx 脑电技术发展历程 第一个真正记录到脑电信号。 上面每一行：睁眼和闭眼的信号，枕叶区，自发脑电，10Hz左右。 记录的单个
如何用比较简单的方法测试BCIduino脑电模块好不好用？
nvsirgn的博客
07-10 633
可以我们之前写的参考这篇的部分内容： https://blog.csdn.net/nvsirgn/article/details/107250810 基本上在周围没有很多扰动的情况下，悬空的数据都应该是零点几微伏就基本可以，证明板子没有问题。 如果周围环境变量实在太多，就干脆把脑电帽或者电极线/片戴在头皮/皮肤上，打导电膏或用电极贴片贴好，再看波形： 1.如果是脑电，就眨眨眼，应该能看到眨眼波形；或者闭眼睛，看看有没有明显的阿尔法波，集中在8-12hz左右，并且呈现纺锤形，如果这些都可以出现，BCIduin
【脑电数据处理】electrophysiology and EEG(AP\LFP\ECoG\EEG)
mon鸽
05-20 1856
图片来源 EEG Signal Processing and Feature Extraction&Adjamian et al 2014 Electroencephalogram (EEG) has been referred to a recording of fluctuating electrical waveforms at the scalp. Electrocorticogram (ECoG) has been referred to a similar rec...
脑电信号的预处理及数据分析要点-EEG Processing and Feature 3
梁小憨憨的博客
10-14 4478
这是《EEG Processing and Feature Extraction》的第三个视频资料整理。内容是“脑电信号的预处理及数据分析要点”。 脑电信号的预处理及数据分析要点1.1 脑电 1.1 脑电
1脑电的神经起源和测量
MT的博客
06-07 1170
脑电神经和脑电测量的知识记录
EEG Signal processing
09-18
脑电信号处理英文原版
脑电信号统计与工具软件实践-EEG Processing and Feature 6
梁小憨憨的博客
10-24 738
这是《EEG Processing and Feature Extraction》的第六个视频资料整理。内容是“脑电信号统计与工具软件实践”。 脑电信号统计与工具软件实践
EEG feature extraction via CSP algorithm
04-08
EEG feature extraction via CSP algorithm
EEG-Feature-Extraction-Toolbox:该工具箱为脑电图 (EEG) 应用提供了 30 种 EEG 特征提取方法（HA、HM、HC 等）
05-29
Jx-EEGT：脑电图（EEG）特征提取工具箱 《迈向人才科学家：共享与学习》--- 介绍 此工具箱提供 30 种类型的 EEG 功能 A_Main文件显示了如何使用生成的样本信号应用特征提取方法。 输入 X : 信号 (1 x样本) opts : 参数设置（有些方法有参数：参考） 输出 feat ：特征向量（您可以使用其他名称，如f2等） 用法 采用主函数jfeeg进行特征提取。 您可以通过将'me'更改为来切换方法 如果你想提取平均能量（ ME ），那么你可以写 feat = jfeeg('me', X); 如果你想提取 hjorth 活动（ HA ），那么你可以写 feat = jfeeg('ha', X); 示例 1：提取 3 个正常特征（不带参数） % Generate a sample random signal X fs = 500; %
基于EEG的特征提取
07-07
基于共空间模式的脑电信号处理，代码简短，便于使用
论文解读 EEGformer: A transformer–based brain activity classification method using EEG signal 视觉重构领域
qq_50848391的博客
10-10 3529
其实这篇论文中提出的EEG模型（以后读的论文提出的方法）也不一定会在自己的研究方向中会有很好的结果，但是我觉得更重要的理解去其他思考的方式，也许对自己以后做实验的思路或者灵感来源是挺重要的，当然也可以把这个论文中提出的方法当作是自己的技术储备（这么说不知道合不合适 有种拿来主义的感觉 但是我觉得作为论文的发表者不就是希望自己的成果被更多人使用和认可吗 所以应该问题不大）。这样的转换使得模型关注的焦点从文本中的上下文关系，转移到了EEG数据中不同通道之间的关系，即本文所强调的EEG信号的空间性特征。
脑电数据event为0，怎么添加marker
TLwangshuai610的博客
05-12 4103
（i为每个实验的编号，i=1，...10，j为一个人第几组实验，j=1,...5）：T（ij）打标 = T（ij）curry8- T（ij）unity3d- T主电脑-T辅电脑-T（ij）打标对应的是正式脑电信号采集的时间点，我们可以根据T（ij）打标来完成脑电信号和实际实验开始时间的校对。打开生成的event.txt文件，并根据具体数据类别更改信息，添加第一行标题，本数据计划提取两个类别数据，变在第二列定义a，b标签，第一列设置裁剪时间点，第三列默认为1（为什么1未做研究），数据更改后如下图;
EEG专题 | 不同脑电测量设备的选择与推荐
最新发布
Kingfar_1的博客
07-30 1745
我们从凝胶电极脑电、干电极脑电和水电极脑电的采集方式、设备特点及使用范围等维度分别进行了介绍。无论是哪种类型的脑电设备，都可以有效地记录脑电信号，为研究大脑功能提供重要的数据，具体设备的选择取决于研究的需求、实验条件和研究人员的偏好。
脑电数据处理——预处理
weixin_48539970的博客
02-05 6917
可以看到，分段和基线校正已经完成了。
EEG Feature Selection via Global Redundancy Minimization for Emotion Recognition 论文笔记
沃·夏澈德的博客
09-13 596
概述 提出了一种基于最小化全局冗余的特征提取算法(global redundancy minimization in orthogonal regression)。 研究动机 基于EEG的情绪识别研究大多使用低密度(小于128个通道)的EEG数据，如SEED [71]和DEAP[72]数据库。低密度脑电图的缺点是其空间分辨率差。随着脑电设备的发展，高密度脑电(超过 128个通道)因其高空间分辨率在情绪识别领域受到越来越多的关注 。与低密度脑电信号相比，高密度脑电信号可以为情绪识别任务提供更丰富的空间信息。
Tensorflow：EEG上CNN的一次实验
zincrain的博客
04-06 4572
一次失败的CNN实现前言简介数据CNN网络模型调整减少过拟合的尝试与全连接网络比较与SVM网络比较模型运用到其他分类标准结果分析代码CNN网络代码交叉验证代码FC网络代码SVM网络代码 前言 这是一次较为“失败”的分类器尝试，在本次报告中尝试实现了CNN模型对EEG图像进行学习，进行了大量调参的尝试，并在二分类问题上与其他简单模型进行比较 使用python tensorflow(vision=1...
脑电的频谱分析和时频分析-EEG Processing and Feature 5
热门推荐
梁小憨憨的博客
10-16 2万+
这是《EEG Processing and Feature Extraction》的第五个视频资料整理。内容是“脑电的频谱分析和时频分析”。 脑电的频谱分析和时频分析内容简介背景 内容简介 背景
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值