Link Search Menu Expand Document

EEG-BIDSについて

EEG-BIDSは、EEGLABのグループ解析方法を紹介しています。 EEGLABスタディ 以下のグループ解析を行います。

目次
  • トピックス

EEG-BIDSについて

このチュートリアルのデータは、 EEG BIDSフォーマットEEG-BIDSの特定性についてもっと読む 詳しくはこちらEEGLABは、 EEG-BIDSについて BIDSデータセットのプラグインは、このプラグインは、EeGLABのプラグインです。 このBIDSでは、以下の点について説明しています。

EEGLABにBIDSの統合について詳しく知る EEG-BIDS wiki EEGLABのプラグイン

データのダウンロード

この例では、 ウェイクマンとヘンソン (2015)このサイトでは、このサイトを運営しています。 各画像は3回繰り返しますが、それぞれの画像はパープル対称性分布です。

突然提示された顔のイメージの人間の認識は大きい作り出します パーキールイベントの関連性について170ms(N170をdubbed) ポスタースカルプチャンネル(ベントイン ら., 1996。 N170は、 直接を含むいくつかの方法によって局在する可能性 耐腐食性(ECoG) 二国間fusiformジャイラス。

Henson と Wakeman (2015) は、EEG/MEG のリリースです。 N170Sカルプマップ 応答機能を生成する劣性心皮質。 ボールド fMRI研究([Kanwisher et])の領域の領域の領域は、 1997年(平成9年)https://www.ncbi.nlm.nih.gov/pubmed/9151747)。 長い電車 よくある質問 顔を撮る [Kanwisher & Yovel] の処理 2006](https://www.ncbi.nlm.nih.gov/pmc/articles/PMC1857737/)または より一般的な専門家の個人識別をサポートする処理 または重要なおよび長い規定された目的の大きいセットのためのサブカテゴリ （Gauthier et al.） 1999年(平成11年)https://www.ncbi.nlm.nih.gov/pubmed/10448223)).

一般的に、 大きく 、「 、「 FUsiform BOの強み 住宅など

ウェイクマンとヘンソン (2015) 使用するパラダイムを開発 ここで扱われたデータを収集し、繰り返しの決定(同じ) 顔のイメージシリーズのtachistoscopically提示「顔のversus」 自宅で実験する、EEGと非公開で、 よく知られている、未知の、およびスクランブルされた顔に対する反応が同じである方法 配列は異なります。 下の図のパラダイムの詳細をご覧ください。

`center|400px`

EEGとMEGは、翻訳済みで、翻訳済みです。 データは、、、、 Ramon Martinez、Arnaud Delorme 作成者(EEG抽出、修正、再処理、イベントレイテンシー修正) オープンニューロ.

データの事前処理

データをダウンロードしたら オープンニューロ下記のコードを実行できます。 こちら データのダウンロードに問題がある場合)。

EEGLABについて

以下のスクリプトでは、 EEGLABのgitバージョン 2021年(昭和20年) は EEGLAB の は 初期の リリース で リリースされました。

clear
[ALLEEG, EEG, CURRENTSET, ALLCOM] = eeglab;

EGLABの「sample_data」は、 変数 変数 変数

eeglabPath = fileparts(which('eeglab'));
filepath = fullfile(eeglabPath, 'sample_data', 'ds002718');

BIDSについて

pop_importbids.m は、BIDS は、EEGLAB にインポートします。 ‘bidsevent’ は、BIDS .tsv ファイルからイベントをインポートします。’studyName’ では、BIDSのチュートリアル を参照してください。BIDS研究は、

[STUDY, ALLEEG] = pop_importbids(filepath, 'eventtype','trial_type', 'bidsevent','on','bidschanloc','on', ...
    'studyName','Face_detection');

ALLEEG = pop_select( ALLEEG, 'nochannel',{'EEG061','EEG062','EEG063','EEG064'}); % remove EKG and EOG
EEG=pop_chanedit(EEG, 'eval','chans = pop_chancenter( chans, [],[]);'); % center channels

CURRENTSTUDY = 1; EEG = ALLEEG; CURRENTSET = [1:length(EEG)];

3つのステップでアーティファクト除去を行います。

  1. ミルドアーティファクト除去による clean_rawdata プラグイン
  2. 人工の独立したコンポーネントの除去
  3. 攻撃的なアーティファクトの除去 clean_rawdata プラグイン

前に 1。 ICAは、clean_rawdata で全てが削除されます。 ICA は、データから削除/サブトラクト可能で、望ましくないコンポーネントを除去します。

多くの場合、ステップ1と2のみが必要です。 データに依存します。

極端なアーティファクトで活動の悪いチャンネルや地域を削除

pop_clean_rawdata.m 関数は、0.5 Hz のハイパスフィルタでデータを前処理します。 pop_clean_rawdata.m は、 アーティファクト・サブスペースの復興 EEGLABに統合(ASR)モジュール clean_rawdata() プラグイン (EEGLABではデフォルトで)

EEG = pop_clean_rawdata( EEG,'FlatlineCriterion',5,'ChannelCriterion',0.8,...
    'LineNoiseCriterion',4,'Highpass',[0.25 0.75],'BurstCriterion',40,...
    'WindowCriterion',0.25,'BurstRejection','on','Distance','Euclidian',...
    'WindowCriterionTolerances',[-Inf 10] );

平均参照を使用して再参照

処理中に平均的な参照が複数回適用される場合があります。 指定された時間に平均的な参照を適用すると、その前に行われるすべての再参照をキャンセルします。 必須ステップではありません。

EEG = pop_reref( EEG,[],'interpchan',[]);

IClabel ICA と python の コンポーネントを 実行します。

‘picard’ ‘runica’ は、EEGLAB の ‘Picard’ で ‘picard’ で ‘runica’ に あります。’runica’ は、 ‘Picard* は、 Infomax の ICA の 、 より、 理論的な は、 次のように なります。 ICA,EEGデータへ 専用セクション EEGLABチュートリアル

IClabel は、EeGLAB でデフォルトで設定する EEGLAB では、各々のコンポーネントの型(CRA、目、位置、線維など)を計算します。 pop_icflag.m ‘thresh’ の2つの基本引数は、 コンポーネントを レイティファクトとして 選択値 最小値と最大値 値 です。 Brain、Muscle、Eye、Heart、Line Noise、Channel Noise、Otherの6つの分類の… Eye* または Muscle に 80% 以上のコンポーネントのみが削除されます。 IClabel は、 ICA コンポーネントが、データから削除されます。

EEG = pop_runica(EEG, 'icatype','runica','concatcond','on',...
                                'options',{'pca', -1});
EEG = pop_iclabel(EEG,'default');
EEG = pop_icflag(EEG,[NaN NaN;0.8 1;0.8 1;NaN NaN;NaN NaN;NaN NaN;NaN NaN]);
EEG = pop_subcomp(EEG, [], 0, 0); %remove bad components

汚染されたデータの残りの部分を削除します。

ASR と pop_clean_rawdata.m は、現在では、より詳細な機能が提供されます。 ASRは、より複雑な部分(キャリブレーション)を、PCAの解析コンポーネントの構成要素を計算します。それから20秒間のデータでキャリブレーションを行います。

EEG = pop_clean_rawdata( EEG,'FlatlineCriterion','off','ChannelCriterion','off',...
    'LineNoiseCriterion','off','Highpass','off','BurstCriterion',20,...
    'WindowCriterion',0.25,'BurstRejection','on','Distance','Euclidian',...
    'WindowCriterionTolerances',[-Inf 7] );

このプロセスは、このプロセスの初期化を行なうために、このプロセスの初期化は、このプロセスの初期化を行なう。 MATLAB は、各々の関数の言語で、

help pop_clean_rawdata

測定結果

このイベントでは、参加者全員が参加しています。 ベースラインを削除しない(上記のハイパスフィルタリングは、この段階で十分です)。

EEG = pop_epoch( EEG,{'famous_new','famous_second_early','famous_second_late','scrambled_new','scrambled_second_early','scrambled_second_late','unfamiliar_new','unfamiliar_second_early','unfamiliar_second_late'},[-0.5 1] ,'epochinfo','yes');

データプロット

STUDYデザイン

条件をよく知るSTUDYデザイン

ALLEEG = EEG; % update ALLEEG structure
STUDY = std_checkset(STUDY, ALLEEG); % update epoch information
STUDY = std_makedesign(STUDY, ALLEEG, 1, 'name','Faces','delfiles','off','defaultdesign','off',...
    'variable1','face_type','values1',{'famous','scrambled','unfamiliar'},...
    'vartype1','categorical', ...
    'subjselect',{'sub-002','sub-003','sub-004','sub-005','sub-006','sub-007','sub-008','sub-009',...
    'sub-010', 'sub-011','sub-012','sub-013','sub-014','sub-015','sub-016','sub-017','sub-018','sub-019'});

EEGLAB ウィンドウが更新されます。

eeglab redraw

チャネルの計算

研究設計を作成する前にこれを行うことができます。 参加申し込みフォーム 以下は、200ミリ秒から0ミリ秒のベースラインです。

[STUDY, ALLEEG] = std_precomp(STUDY, ALLEEG, {},'savetrials','on','rmicacomps','on','interp','on',...
    'recompute','on','erp','on','erpparams',{'rmbase',[-200 0] });

ERPのプロット

それぞれの条件の1つを ERP でプロットする。 ファーストプロットパラメータ

STUDY = pop_erpparams(STUDY, 'timerange',[-200 1500], 'plotconditions','together');

その後、図を描きます(ここでは、元の出版物でチャンネル65を選択します)。

STUDY = std_erpplot(STUDY,ALLEEG,'channels',{'EEG065'}, 'design', 1);

STUDY測定のプロットについて STUDY文明化チュートリアル.

パーキーズ パーキーズ

最初にプロットパラメータを変更して、スカルプトポグラフィを170ミリ秒後に作成します(160ミリ〜180ミリ秒間の潜在的な平均)。

STUDY = pop_erpparams(STUDY, 'topotime',[160 180] ,'timerange',[]);

そして、スカルプトポグラフィを描いています。

STUDY = std_erpplot(STUDY,ALLEEG,'channels',{'EEG001','EEG002','EEG003','EEG004', ...
'EEG005','EEG006', 'EEG007','EEG008','EEG009','EEG010','EEG011','EEG012','EEG013', ...
'EEG014','EEG015','EEG016','EEG017','EEG018','EEG019','EEG020','EEG021','EEG022','EEG023','EEG024', ... 
'EEG025','EEG026','EEG027','EEG028','EEG029','EEG030','EEG031','EEG032','EEG033','EEG034','EEG035', ... 
'EEG036','EEG037','EEG038','EEG039','EEG040','EEG041','EEG042','EEG043','EEG044','EEG045','EEG046', ... 
'EEG047','EEG048','EEG049','EEG050','EEG051','EEG052','EEG053','EEG054','EEG055','EEG056','EEG057', ... 
'EEG058','EEG059','EEG060','EEG065','EEG066','EEG067','EEG068','EEG069','EEG070','EEG071', ... 
'EEG072','EEG073','EEG074'}, 'design', 1);

このチュートリアルでは、 このチュートリアルでは、 統計情報 または高度な処理 脳のソース活動 このデータについて 見てみることもできます。 LIMOプラグイン