Link Search Menu Expand Document

Screenshot 2025-11-16 at 16 08 33

完全なコース材料

リポジトリ EEGLABコースセッションの教材が含まれています。 このコースはもともと行われていました。 実用的なMEEG 2025の研修会を参照 このコースはEEGLABに集中していますが、材料の90%はEEGLAB固有のものではありません。

教材の作者を承諾してくださいが、あなた自身のコースに必要な資料を適応させることができます。

前提条件

ステップ1 - MATLABをダウンロードしてインストールする

コースを整理する場合、通常は取得できます MATLABトライアル版 ライセンシング部門に連絡することで、参加者の皆さまへ 参加者は事前にMATLABをインストールしてくださいので、コース中にEEGLABを実行できます。

ステップ2 - コーススクリプトをダウンロード

コース中に、参加者はEEGLABのグラフィカルインターフェイスを使用して、ハンズオン作業を行います。 しかし、このリポジトリで提供されるスクリプトを実行することもできます。

このリポジトリをクローンする:

git clone https://github.com/sccn/EEGLAB_course.git

GitHubでZIPをダウンロードしたり、 その後、最初のスクリプトから始まる1つのスクリプトをすべて実行します。

ステップ3 - データのダウンロード

このコースでは、OpenNeuro のデータセット ds000117 の pruned バージョン、マルチモーダルフェイス認識 BIDS のデータセットからデータを使用します。

剪定されたシングルサブジェクトデータセットをダウンロード (ds000117_pruned): https://zenodo.org/record/7410278

このデータセットは1件のみ含まれており、セッション1、2、3、5で使用されます。

グループレベルの分析では、BIDSデータセット(ds002718):をダウンロード https://nemar.org/dataexplorer/detail?dataset_id=ds002718 (このページのZIPファイルをダウンロード)

フォルダ構造セットアップ

スクリプトは、次のフォルダー構造を期待します。

EEGLAB_course/
├── eeglab/                    (eeglab distribution with plugins installed)
├── ds002718/                  (raw BIDS data)
│   └── derivatives/           (processed data will be saved here)
├── ds000117_pruned/           (raw data for Sessions 1 of subject 1, not a valid BIDS dataset)
│   └── derivatives/
│       └── meg_derivatives/
│           └── sub-01/
│               └── ses-meg/
│                   └── meg/   (processed .set files saved here)
├── script_01_import_data.m
├── script_02_preprocess_data.m
├── script_03_epochs_and_erp.m
├── script_04_time_frequency.m
├── script_05_source_reconstruction.m
├── script_06_connectivity.m
└── ... (other scripts)

セットアップの指示:

  1. このリポジトリをクローンまたはダウンロードして作成します EEGLAB_course フォルダ
  2. ダウンロードと抽出 ds000117_pruned フォルダ内部 EEGLAB_course フォルダ
  3. ダウンロードと抽出 ds002718 フォルダ内部 EEGLAB_course フォルダ

ステップ4 - ダウンロード EEGLAB

EEGLAB Gitリポジトリをコンピュータにクローンする時間です。

警告: EEGLABサブモジュールは含まないため、GitHubから直接ZIPファイルをダウンロードしないでください。

代わりに、リポジトリをクローンし、サブモジュールをプルするために、次のコマンドを使用します。

git clone --recurse-submodules https://github.com/sccn/eeglab.git

またはダウンロードから EEGLABホームページ.

ステップ5 - EEGLABが実行されていることを確認してください

  1. MATLABを起動する
  2. MATLABでは、EEGLABリポジトリを含むフォルダに移動します。
  3. MATLABコマンドプロンプト(»)で、タイプ: eeglab
  4. EEGLABメインインターフェイスが表示されるはずです

エラーなしで開くと、ワークショップにすべてセットされます!

ステップ6 - ダウンロード EEGLABプラグイン

これは、ステップが重要であるか、または多くの演習が実行されません。 これは、downlaodへのプラグインのリストです。

  • ファイルIO
  • FieldTripライト
  • リモ

EEGLABプラグインマネージャ(EEGLABメニュー項目ファイル>)を使用するのが最善です。 拡張 を管理し、インストールするプラグインを選択します。

コース内容 概要

EEGLABを用いたEEG/MEGデータ解析の異なる側面を中心に、いくつかのセッションでコース資料を編成しています。 一部のセシソンは他のものよりも長くなっています。

セッション_1.1_overview.pptx

18枚のスライドプレゼンテーションでは、EEGLAB、その歴史、能力、生態系、実用的なセットアップ手順を紹介します。 また、前処理パイプラインの比較と主要な参照記事を強調表示します。

  • EEGLABの起源と開発タイムライン
  • 利用統計と生態系のスケール
  • プラグインマネージャーとプラグインのカウント
  • MATLABバージョンとツールボックスの要件
  • MATLABベースのEEGLABの利点と制限
  • オペレーティングシステムとコンパイルオプション
  • 自動加工パイプラインの比較
  • EEGLABマイナーなパフォーマンス優位性の説明
  • チュートリアル動画とテストデータへのリンク
  • キー EEGLAB 参照出版物
  • インストール手順とデータセット
  • Gitのセットアップとクローニングリポジトリ

セッション_1.2_BIDS_and_NEMAR_data_repository.pptx

31枚のスライドは、オープンとフェアのデータ、BIDSの構造と目的、BIDS-EEGのコンポーネントの原則を示します。 また、NEMAR リソース、利用可能なツール、計算インフラも導入しています。 このプレゼンテーションはオプションです。ただし、データがBIDS形式であるため、フォーマットを導入することは有益です。

  • 増加したデータ共有のドライバー
  • 公平なデータ主義および条件
  • BIDSの目的とスコープ
  • BIDS-EEGデータセットのコンポーネント
  • データセット組織の例
  • 支えられた未加工EEGのフォーマット
  • イベントとタスクの説明構造
  • BIDSの輸入および輸出のための用具
  • NEMARリポジトリの概要
  • NEMARツールを記述する原稿
  • 利用可能なGPUとCPUコンピューティングリソース
  • EEGDashプラットフォームの紹介

セッション_1.3_preprocessing.pptx

67のスライドは、フィルタリング、参照、アーティファクト処理、ICA、および前処理の選択の評価を含む、未加工データから分析までの完全なEEGの前処理パイプラインを記述します。 また、前処理の手順が統計的な結果に影響を及ぼし、実用的なEEGLABワークフローを記述する方法についても実証しています。

  • EEGデータを処理する理由
  • 全処理パイプラインの概要
  • 主要なMEEGツールボックスでのBIDSサポート
  • イベントの輸入および未加工データ点検
  • データの読み込みと可視化の手
  • HEDタグ付けとNEMAR BIDS実験
  • チャネルの場所のスキャンおよび直線
  • ERPsに関する参照の選択の影響
  • ダウンサンプリングの決定の影響
  • 高いパスフィルタリングとERPの重要性
  • アーティファクトの種類と識別方法
  • 相関による悪いチャネルの検出
  • ラインノイズ処理と補間
  • ASR性能と人格の比較
  • 自動除去方法と制限
  • ICA分解と品質基準
  • ICLabelの分類および構成の取り外し
  • Clean_rawdata の事前処理ワークフロー
  • ERPの意義に対するベースライン効果
  • 自動加工パイプラインの比較

セッション_2.1_ERP.pptx

センサーレベルでERP分析、概念基盤、視覚化方法、前処理の影響、EEGLABベースのワークフローについて説明します。 ERPs がどのように上昇するか、それらを検査する方法、および ICA コンポーネントが ERP の機能にどのように貢献するかを説明します。

  • 歴史の文脈とERPの基礎
  • ERP実験構造とデータフロー
  • ERP形態学例
  • ERP画像と試用ソート
  • ERPメカニズムとしての相同期
  • 時間、頻度および時間の頻度はアプローチします
  • エポック抽出とベースライン処理
  • アーティファクト除去とICAがERPに与える影響
  • スカルプ分布とトポグラフィ可視化
  • 三次元チャネルと警告
  • コンポーネントレベルのERPの封筒と貢献
  • 条件全体で異なるERP
  • ERP分析手順の手

セッション_2.2_TimeFrequencyAnalysis.pptx

55スライドは、FourierメソッドからWaveletsまで、生物物理信号のタイム周波数解析の理論と実践を提示します。 主要な取引オフ、実用的なスペクトル推定技術、およびEEGLABベースのERSPおよびITC分析について説明します。

  • EEGと脳の振動の生体物理学
  • 静止した対非静止信号
  • フーリエ理論と周波数分解
  • フーリエ変換とFFTの基本を分離
  • ゼロパディングとスペクトルの補間制限
  • テーパーリング、ウィンドウング、およびGibbbs現象
  • ウィンドウトレードオフとウェールズのスペクトル推定
  • スペクトラの試食と分散削減
  • 非固定活動のためのSpectrogramsおよびERSP
  • 絶対対比力と正規化
  • 時間の頻度不確実性およびHeisenbergの限界
  • ウェーブレットの構造およびモルレのconvolution
  • ウェーブレット家族で取引する時間頻度
  • FFTベースとウェーブレットの比較
  • フェーズリセット, 誘発 versus 進化した応答
  • インタートライアルの一貫性とフェーズの可視化
  • IC レベル ERSP と ITC が EEGLAB にプロット
  • チャネル時間の頻度分析のためのステップの手

セッション_3.1_Source_Localization_ICA.pptx

ICAがソース推定にどのように貢献するか、フォワードと逆の問題、ICA理論、および実用的なDIPFITベースのローカリゼーションをカバーするかを53スライドで説明します。 IC のスカルプの予測は、ダイポーラのソースと EEGLAB の解剖モデルに合致する方法について説明します。

  • フォワードと逆モデリング原理
  • EEGソース再建の性質を置いたイル
  • ダイポールと分散型インバース方式
  • 核源を分離するICAの役割
  • ICA 対 PCA とキー ICA アルゴリズム
  • ICAのバイオメディカルデータへの応用
  • ICソースローカリゼーションのための2つのステップワークフロー
  • ダイポールフィッティングと残留分散評価
  • 電極・ヘッドモデルの共同登録
  • BEMモデルと変換パラメータ
  • オートフィットオプションとデュアルダイポールフィッティング
  • eLORETAとビームフォーミングによる分散ローカリゼーション
  • リードフィールド計算とコンポーネントモデリング
  • DIPFITローカリゼーション手順の手

セッション_3.2_connectivity.pptx

54スライドは、VARモデリング、Grangerキャサリティ、非静止処理、ROIベースのソーススペース接続、およびSIFTワークフローをカバーする、EEGで動的脳接続解析を導入しています。 彼らは、キーの落とし穴、モデル選択原則、および原因相互作用の視覚化を説明し、同行の脳映画が接続の動的を照らす。

  • EEG接続分析の目標と課題
  • クリーンな接続と一般的な入力の問題
  • グランガー因性原理とVARモデリング
  • モデルの注文選択と情報基準
  • 滑走窓との非固定性を扱う
  • 視覚的にガイドされた動きの間の接続性
  • ICAベースのソース空間分析とROI抽出
  • SIFTワークフローとネットワーク再構築
  • アトラス選択とノード数の影響
  • 地域間の相関関係と相関関係
  • チャネル対ソース空間検討
  • ROIコネクティビティ計算のためのステップの手

(関連する脳映画:Session_3.2_connectivity_brain_movie.mov参照)

セッション4_IC_Clustering.pptx

51のスライドは、STUDYセットアップからEEGLABの被験者全体でICAコンポーネントをクラスターする方法を説明し、事前入力をK-meansクラスタリングと解釈を測定します。 彼らはまた、クラスタリングがICAソリューションを検証し、機能的に有意義なソースグループを識別するのに役立ちます。

  • ICクラスタリングワークフローのステップ
  • STUDYローディングとデータセット情報編集
  • 残留分散計算とIC選択
  • スペクトラ、ERSP、ダイポール、および瞬間の事前入力
  • PCAをベースとした非推奨値と単価選択
  • Kとは、IC対策の特徴空間のクラスタリングを意味します。
  • 科学的な質問に基づく措置の選択
  • 被写体および被写体クラスター内の例
  • ICAの分極性およびアルゴリズムの信頼性の検証
  • ICクラスターの可視化とマニュアル編集
  • 正面のミッドラインのセタおよびoccipitalアルファ クラスターの同一証明
  • クラスタリングおよびアウターの取り外しのための議定書の手

セッション_5.1_univariate_statistics.pptx

72 スライドは、EEG の堅牢な統計手法を提示し、パラメトリックと非パラメトリックの推論、ブートストラップ、パーマテーション戦略、複数の比較補正、GLM ベースの分析を単一の被験者とグループレベルで行います。 堅牢な推定、視覚化、および偽陽性の原則的な制御を強調しています。

  • パラメトリックおよび非パラメトリック仮説テスト
  • パワー、効果サイズ、サンプルサイズ検討
  • 堅牢な中央傾向とトリムされた手段
  • ブーツストラップの信頼区間と推論
  • ブートストラップ対permutationロジック
  • 複数の比較修正
  • ボンフェロニ, ホルム、FDR、クラスター、およびTFCEメソッド
  • EEGタイムシリーズのクラスタベースパーミュテーション
  • 補正戦略の強みと限界
  • EEGデータのGLM導入
  • マトリクスとモデリング因子の設計
  • レベル1とレベル2のGLM分析
  • 混合効果モデリングとランダム効果
  • MATLAB、Python、Rでのソフトウェア実装

セッション_5.2_univariate_statistics_practicum.pptx

23スライドは、Ds002718顔データセットを使用して、EEGLAB/LIMOのGLMベースの比類のない統計のウォークスルーに手を与えます。 STUDY設計のセットアップ、シングルトライアルモデリング、および1次および2次レベルの分析を適切な補正で実行することに焦点を当てています。

  • ds002718 顔の繰り返しデータセットの概要
  • レベル1 GLMとβの重要性推定
  • 実験的要因と条件構造
  • BIDSのインポート、クリーニング、ICA、およびエッチング手順
  • STUDY作成と設計仕様
  • 単一試験対策の事前入力
  • 標準EEGLAB統計と修正
  • 条件全体のERP比較に関する演習
  • LIMOプラグインベースモデル推定
  • グループレベルのANOVAとコントラスト解釈
  • GLM ベースの EEG 統計のための実用的なワークフロー

(プレゼンテーションで参照される関連映画も参照してください:Session_5.2_movie_1.mp4とSession_5.2_movie_2.mp4;GitHub 100mbの制限のために別途配布)

ニュース

  • Session_1.1_overview.pptx – ノーエクセサイス
  • Session_1.2_BIDS_and_NEMAR.pptx – 試験なし
  • Session_1.3_preprocessing.pptx – 生データをロードし、クリーニングを適用し、ICAをICLabelで実行し、前処理の選択肢を比較します。
  • Session_2.1_ERP.pptx – EPOCKSの作成、ERPの計算、スカルプマップとERPimageの可視化、ICAの貢献を検討する。
  • Session_2.2_TimeFrequencyAnalysis.pptx – Compute ERSP と ITC を比較し、ベースライン戦略を比較し、誘発された活動を研究します。
  • Session_3.1_Source_Localization_ICA.pptx – ICAダイポールに適合し、残留差を評価し、分散ソースローカリゼーションを実行します。
  • Session_3.2_connectivity.pptx – ROI アクティビティを計算し、VAR ベースの接続を推定し、接続を解釈します。
  • Session_4_IC_Clustering.pptx – Precompute IC 対策, PCA ベースの前処理を実行します。, K 手段を適用します。, IC クラスターを解釈.
  • Session_5.1_univariate_statistics.pptx - Exerciceなし
  • Session_5.2_univariate_statistics_practicum.pptx – モデルの仕様と補正を含む複数の被写体データセットで完全なGLM解析を実行します。

スクリプト

生徒がコースを修了するために必要とされていないにもかかわらず、スクリプトはプレゼンテーションに同行しています。 素材は、主にスクリプトの使い方がわからない初心者を対象としていますので、プレゼンテーションはこれらのファイルを明示的に記述しません。 スクリプトは、各セッションで示されたワークフローをミラーリングし、講義中に実証された結果を再現するために使用できることがありません。 さらなる探求を希望する学生は、各スクリプトで使用される機能のヘルプメッセージに相談することができます。

  • **script_01_import_data.m ** - EEGLABに生EEGやMEGデータやイベントをインポートします。 session_1.3_preprocessing を参照してください。
  • script_02_preprocess_data.m - フィルタリング、悪いチャンネル検出、ASR、ICA、ICクリーニングを実行します。 session_1.3_preprocessing を参照してください。
  • **script_03_epochs_and_erp.m ** - ERPのEPOCを作成し、ERPを計算し、ERPの分析のためにデータを準備します。 session_2.1_ERP を参照してください。
  • script_04_time_frequency.m - ERSP、ITCおよび他の時間の周波数対策を計算します。 session_2.2_TimeFrequencyAnalysis を参照してください。
  • script_05_source_reconstruction.m - DIPFITを実行し、ダイポールと分散ソースモデルを計算します。 セッション_3.1_Source_Localization_ICAを参照してください。
  • script_06_connectivity.m - VARモデル、GRANGERの因果性およびROI接続を計算します。 session_3.2_connectivity を参照してください。
  • script_07_group_analysis_preprocess.m - グループ分析のための多要素データセットとSTUDY構造を用意します。 セッション4_IC_ClusteringとSession_5.xの統計を参照してください。
  • script_08_group_analysis.m - クラスタリングとグループERPを含むグループレベルのSTUDY対策を実行します。 セッション4_IC_Clustering を参照してください。
  • **script_09_ica_clustering.m ** - STUDYを使用して被験者を渡るICのクラスタリングを実行します。 セッション4_IC_Clustering を参照してください。
  • script_10_limo_erp.m - LIMO EEGを使用してGLMベースの比類のない統計を実行します。 セッション_5.1とSession_5.2の比例のない統計を参照してください。

コースの実施に関するアドバイス

コースの講義を提示し、PowerPointのスライドに同行する演習で手を実行します。 スクリプトはデモンストレーションをサポートすることができますが、それらに依存しても圧倒的な初心者でも。 ほとんどの参加者はGUIをより簡単にフォローします。そのため、プライマリワークフローではなく、スクリプトをリファレンスとして位置付けます。

侵入者として、材料をダウンロードしてインストールすることをお勧めします。 その後、すべてのスクリプトを実行して、データが参加者に事前に入力されるようにします(セッション3の場合、参加者はスクリプトを実行する必要があります) script_01_import_data.m そして、 script_02_preprocess_data.m または手動でこのデータセットのために実用的であるGUIのすべてのインポート手順を再現します。 生ファイルは初心者フレンドリーではないスクリプトによって作られたいくつかの技術的な調整が必要ですので、事前に入力されたすべてのものを持っている方が良いです。 スクリプト script_03_epochs_and_erp.m エポックを抽出し、実行する必要があります。 Script 4 から 6 関数はオプションの例として主に機能します。 スクリプト7は、グループとリモ分析のために実行する必要があります。 すべてのコア操作はGUIで行うことができます。 インストラクターは、再現可能なワークフローを記述するためにスクリプトを実証するかどうかを選ぶことができますが、これは参加者が進行する必要はありません。 学生のすべての対策を優先する場合、スクリプトは単にそれを追加するか、または使用できないことがあります。 オプションをお勧めします。

すべてが正しく実行されていることを確認したら、フルコースフォルダをzipし、配布のためにUSBフラッシュドライブにコピーします。 これは、データダウンロード、EEGLABインストール、またはプラグインのセットアップを扱うことなく、学生がすぐに始めることができます。 また、フラッシュドライブにEEGLABとそのプラグイン(zipアーカイブまたは非圧縮)を含めることをお勧めいたしますので、すべての生徒はEEGLABの最新バージョンを持っています。

コース体験を改善するいくつかの追加のヒント: ICAがコンピュータ間で少し異なる結果をもたらす可能性があることを早期に明確化し、この変動性は正常である。 最後に, 説明と探査の手を交互に, 参加者が従事し、後ろに落ちないように. セッション全体に教育補助者を持っているので、立ち往生する参加者は、コースの流れを中断することなく、1つのサポートにプロンプトを受け取ることができます。

貢献者

  • このコースの作成者であるArnaud Delorme
  • その他のコントリビューターには、スコット・マケリ、ロビン・グランチャンプ、ヨハンア・ワグナー、Ramon Martinez Cancino、Tim Mullen、John Iversen、シリル・パーネットなどがあります。