脑电EEG代码开源分享【1.前置准备-静息态篇】-Toy模板网

这篇具有很好参考价值的文章主要介绍了脑电EEG代码开源分享【1.前置准备-静息态篇】。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

往期文章

希望了解更多的道友点这里
0. 分享【脑机接口 + 人工智能】的学习之路
1.1 . 脑电EEG代码开源分享【1.前置准备-静息态篇】
1.2 . 脑电EEG代码开源分享【1.前置准备-任务态篇】
2.1 . 脑电EEG代码开源分享【2.预处理-静息态篇】
2.2 . 脑电EEG代码开源分享【2.预处理-任务态篇】
3.1 . 脑电EEG代码开源分享【3.可视化分析-静息态篇】
3.2 . 脑电EEG代码开源分享【3.可视化分析-任务态篇】
4.1 . 脑电EEG代码开源分享【4.特征提取-时域篇】
4.2 . 脑电EEG代码开源分享【4.特征提取-频域篇】
4.3 . 脑电EEG代码开源分享【4.特征提取-时频域篇】
4.4 . 脑电EEG代码开源分享【4.特征提取-空域篇】
5 . 脑电EEG代码开源分享【5.特征选择】
6.1 . 脑电EEG代码开源分享【6.分类模型-机器学习篇】
6.2 . 脑电EEG代码开源分享【6.分类模型-深度学习篇】
汇总. 专栏：脑电EEG代码开源分享【文档+代码+经验】

0 . 【深度学习】常用网络总结

一、前言

本文档旨在归纳BCI-EEG-matlab的数据处理代码，作为EEG数据处理的总结，方便快速搭建处理框架的Baseline，实现自动化、模块插拔化、快速化。本文非锁时任务（无锁时刺激，如静息态、运动想象）为例，分享脑电EEG的分析处理方法。
脑电数据分析系列。分为以下6个模块：

1. 前置准备
2. 数据预处理
3. 数据可视化
4. 特征提取（特征候选集）
5. 特征选择（量化特征择优）
6. 分类模型

本文内容：【1.前置准备】

提示：以下为各功能代码详细介绍，若节约阅读时间，请下滑至文末的整合代码

二、前置准备框架介绍

前置准备
前置准备的主要功能，分为以下4部分：

1. 降采样
2. 数据分段
3. 去暂态
4. 选择导联

前期准备的代码框图、流程如下所示：
静息态eeg计算锁相,脑电EEG代码开源分享【文档+代码+经验】,开源,人工智能,机器学习,数据分析,matlab

注：前置准备理论上可以归类到预处理阶段，本代码将两者分开基于以下考虑：

前置准备是数据处理的准备阶段，对脑电数据无损处理，不对原始数据进行变换、映射
为提升中间数据的可读性、可分析性，将原本9步骤的预处理，分为 4步【前置准备】 + 5步【预处理】

三、代码格式说明

本文非锁时任务态（下文以静息态代替）范例为：ADHD患者、正常人群在静息状态下的脑模式分类

分段代码名称：代码命名为Standard_cut_rest
输入格式：静息态为Data的结构体，内部为data命名的原始数据(通道*总采样点数)。
参数设置：**采样率\单试次时长\试次标签\试次位置\频域去除暂态时长\降采样（防止数据过大导致运行和内存消耗）
处理形式：**EEG数据汇总为cell（试次被试数），每个cell内为（通道数采样点数）。按照不同分类的类别放入不同cell，cell自身名称如下保存格式名称。例如任务态数据为{100，1}[16*512]，其意为16通道数据采集，100试次，单试次为512点数据点。
**保存格式：**单独保存个人的名称为Standard_input_target_xx(被试序号)，总保存文件名称为Standard_input_target\ nontarget _xx代表被试个数。

三、脑电处理代码

提示：代码环境为 matlab 2018

3.0 参数设置

原采样率 fs_raw=500Hz，降低到 fs_down = 250Hz
一次进行10人次的批处理，subject_num = [1;10]
每段数据分段长度为2秒，epoch_length = 2
处理全部导联编号为1-128的电极，perocess_channel = [1 ; 128];

%% 0.!!!需手动调整参数
data_path = 'C:\Users\Amax\Desktop\basetest_flod\raw_data_flod\';
svae_path = 'C:\Users\Amax\Desktop\basetest_flod\save_fold\';
file_name_target = 'ADHD';
file_name_nontarget = 'Normal';
stuct_name =  'Data';

raw_temp_data = load ([data_path ,file_name_target,'1']);
raw_temp_data = raw_temp_data.Data.data;
fs_raw = 500;
fs_down = 250; %降采样后采样率
subject_num = [1;10];
temp_abandon = 20; %去掉的暂态，以秒为单位
epoch_length = 2;
perocess_channel = [1 ; 128];

经验建议：

采样率降到300Hz以下，目前主流研究认为，静息态脑电有效频率<100Hz，根据脑奎斯特定理，采样率到200Hz以上即可。采样率是最影响计算时间的参数之一，尤其影响后期的非线性计算，绘图、特征分析等。
建议每批处理人数<10人，如有大量被试应分为多组。一是由于多被试处理时间长，中间运算和调试周期较长；二是多被试计算结果存储量大，MATLAB对于2GB以上的数据存储较慢，并且下一阶段读取也缓慢。
去暂态20s，temp_abandon = 20，是由于一般脑电设备开机后需要稳定波形，这个数值要根据设备、现场环境修改。

3.1 数据导入

导入原始数据，并输出显示基本数据信息：

%% 1.Standard_input
% 0.1 rest_data 输入数据格式为：通道数*采样点数
standard_time = floor(size(raw_temp_data,2)/fs_raw- temp_abandon);
remain_raw_time = standard_time - temp_abandon;
remain_trial = floor(remain_raw_time/epoch_length);
remain_confrim_time = remain_trial * epoch_length;

disp(['数据总时长: ' , num2str(standard_time) , '||暂态时长: ' , num2str(temp_abandon), '||修正剩余时长: ' , num2str(remain_confrim_time)]);
disp(['采样率: ' , num2str(fs_raw), '||每段时长: ' , num2str(epoch_length), '||试次数量: ' , num2str(remain_trial)]);

3.2 前置准备-主函数

主要功能依靠调用 Standard_cut_rest 函数实现：

%% 1.切分数据
disp(['数据分段中...']);
Standard_input_target = [];
Standard_input_nontarget = [];

Standard_input_target.fs = fs_down;
Standard_input_nontarget.fs = fs_down;

Standard_input_target.subject_num = subject_num;
Standard_input_nontarget.subject_num = subject_num;

[Standard_input_target.data,Standard_input_nontarget.data] = Standard_cut_rest(data_path,stuct_name,file_name_target,file_name_nontarget,fs_raw,fs_down,subject_num,remain_trial,epoch_length,temp_abandon,perocess_channel);
Standard_input_target.file = file_name_target;
Standard_input_nontarget.file = file_name_nontarget;
disp(['||已完成标准分段||']);

3.3 前置准备-功能函数

主功能函数 Standard_cut_rest ：

function[Standard_input_target,Standard_input_nontarget] = Standard_cut_rest(data_path,stuct_name,file_name_target,file_name_nontarget,fs_raw,fs_down,subject_num,remain_trial,epoch_length,temp_abandon,perocess_channel)
%% 0.参数说明
% data_path 数据路径
% file_name_target 目标数据统一名
% file_name_nontarget 非目标数据统一名
% fs_raw 原始数据采样率
% subject_num 被试起止编号
% remain_trial 剩余试次数
% epoch_length 单试次时长
% temp_abandon 暂态去除时长
% perocess_channel 有效数据通道的首末
Standard_input_target = cell(remain_trial,subject_num(2,1)-subject_num(1,1)+1);
Standard_input_nontarget = cell(remain_trial,subject_num(2,1)-subject_num(1,1)+1);

%% 1.切分数据
print_count=0;
sub_count = 1;
for sub_loop = subject_num(1,1):subject_num(2,1)
raw_data_target = load ([data_path ,file_name_target , num2str(sub_loop)]);
raw_data_target = raw_data_target.(stuct_name).data;
raw_data_target = downsample(raw_data_target',fs_raw/fs_down)';


raw_data_nontarget = load ([data_path ,file_name_nontarget , num2str(sub_loop)]);
raw_data_nontarget = raw_data_nontarget.(stuct_name).data;
raw_data_nontarget = downsample(raw_data_nontarget',fs_raw/fs_down)';

temp_abandon_point = temp_abandon * fs_down;
for trial_loop = 1:remain_trial
    cut_temp = [];
    cut_temp = raw_data_target(perocess_channel(1,1):perocess_channel(2,1), temp_abandon_point+ (trial_loop-1)*fs_down*epoch_length+1 : temp_abandon_point + trial_loop*fs_down*epoch_length);
    Standard_input_target{trial_loop,sub_count} = cut_temp;
    
    cut_temp = [];
    cut_temp = raw_data_nontarget(:, temp_abandon_point+ (trial_loop-1)*fs_down*epoch_length+1 : temp_abandon_point + trial_loop*fs_down*epoch_length);
    Standard_input_nontarget{trial_loop,sub_count} = cut_temp;
end
% disp(['输入标准化分段: ' , num2str(sub_loop/subject_num)]);

fprintf(repmat('\b',1,print_count));   
print_count=fprintf('计算标准化分段进度 : %f',sub_count/(subject_num(2,1) - subject_num(1,1)+1));
sub_count = sub_count+1;
end
fprintf('\n');
end

3.4 前置准备-结果保存

最终，结果保存：

%% 2.保存标准输入文件
disp(['标准分段保存中...']);
save([ svae_path , 'Standard_input_target_',num2str(subject_num(1,1)),'_',num2str(subject_num(2,1))],'Standard_input_target');
save([ svae_path , 'Standard_input_nontarget_',num2str(subject_num(1,1)),'_',num2str(subject_num(2,1))],'Standard_input_nontarget');
disp(['||已完成标准分段保存||']);
t_Standard_input_cost = toc;
disp(['标准输入格式调整完毕，耗时： ',num2str(t_Standard_input_cost)]);

四、前置准备整体代码

静息态信号整体代码：

disp(['||0.静息态类数据处理-标准输入格式||']);
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%  
%% 0.!!!需手动调整参数
data_path = 'C:\Users\Amax\Desktop\basetest_flod\raw_data_flod\';
svae_path = 'C:\Users\Amax\Desktop\basetest_flod\save_fold\';
file_name_target = 'ADHD';
file_name_nontarget = 'Normal';
stuct_name =  'Data';

raw_temp_data = load ([data_path ,file_name_target,'1']);
raw_temp_data = raw_temp_data.Data.data;
fs_raw = 500;
fs_down = 250; %降采样后采样率
subject_num = [1;10];
temp_abandon = 20; %去掉的暂态，以秒为单位
epoch_length = 2;
perocess_channel = [1 ; 128];
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%  
tic;
%% 1.Standard_input
% 0.1 rest_data 输入数据格式为：通道数*采样点数
standard_time = floor(size(raw_temp_data,2)/fs_raw- temp_abandon);
remain_raw_time = standard_time - temp_abandon;
remain_trial = floor(remain_raw_time/epoch_length);
remain_confrim_time = remain_trial * epoch_length;

disp(['数据总时长: ' , num2str(standard_time) , '||暂态时长: ' , num2str(temp_abandon), '||修正剩余时长: ' , num2str(remain_confrim_time)]);
disp(['采样率: ' , num2str(fs_raw), '||每段时长: ' , num2str(epoch_length), '||试次数量: ' , num2str(remain_trial)]);

%% 1.切分数据
disp(['数据分段中...']);
Standard_input_target = [];
Standard_input_nontarget = [];

Standard_input_target.fs = fs_down;
Standard_input_nontarget.fs = fs_down;

Standard_input_target.subject_num = subject_num;
Standard_input_nontarget.subject_num = subject_num;

[Standard_input_target.data,Standard_input_nontarget.data] = Standard_cut_rest(data_path,stuct_name,file_name_target,file_name_nontarget,fs_raw,fs_down,subject_num,remain_trial,epoch_length,temp_abandon,perocess_channel);
Standard_input_target.file = file_name_target;
Standard_input_nontarget.file = file_name_nontarget;
disp(['||已完成标准分段||']);

%% 2.保存标准输入文件
disp(['标准分段保存中...']);
save([ svae_path , 'Standard_input_target_',num2str(subject_num(1,1)),'_',num2str(subject_num(2,1))],'Standard_input_target');
save([ svae_path , 'Standard_input_nontarget_',num2str(subject_num(1,1)),'_',num2str(subject_num(2,1))],'Standard_input_nontarget');
disp(['||已完成标准分段保存||']);
t_Standard_input_cost = toc;
disp(['标准输入格式调整完毕，耗时： ',num2str(t_Standard_input_cost)]);

总结

前置准备是数据处理的敲门砖，本文仅进行了基础的处理。
本文中静息态的前置准备，通过主功能函数 Standard_cut_rest 实现
静息态数据无时间锚点（triger，marker）,数据分段较为简单，一般分为等间距的数据段即可

当然

实际应用时会面临很多潜在的工程问题，例如仪器数据格式、软件运行内存、硬件运行时间等等…
代码工程嘛，就是面对现实…
挂一漏万，如有笔误请大家指正~

感谢您耐心的观看，本系列更新了约30000字，约3000行开源代码，体量相当于一篇硕士工作。

往期内容放在了文章开头，麻烦帮忙点点赞，分享给有需要的朋友~

坚定初心，本博客永远：
免费拿走，全部开源，全部无偿分享~

To：新想法、鬼点子的道友：

自己：脑机接口+人工智领域，主攻大脑模式解码、身份认证、仿脑模型…
在读博士第3年，在最后1年，希望将代码、文档、经验、掉坑的经历分享给大家~
做的不好请大佬们多批评、多指导~ 虚心向大伙请教！
想一起做些事情 or 奇奇怪怪点子 or 单纯批评我的，请至Rongkaizhang_bci@163.com

静息态eeg计算锁相,脑电EEG代码开源分享【文档+代码+经验】,开源,人工智能,机器学习,数据分析,matlab 文章来源地址https://www.toymoban.com/news/detail-787938.html