ERP_07源分析和成分分析.ppt

溯源分析 Patchofalignedpyramidalcellsingraymatterlayer 偶极子是一对数值相等 方向相反的电荷 脑内众多神经元兴奋引起的电活动可以总和在一起用一对电荷表示 称为等价偶极子 equivalentdipole InverseCalculation HeadModel SensorsModel SourceModel Data measured 影响定位准确性的因素 信号传导问题头颅不规则性发放源深浅操作因素 分析时间的选择 头模型和偶极子模型的选择 溯源分析软件 CurryBesaGeosourceICA 溯源分析需要的4个文件 功能数据 avg解剖数据 img电极位置 3dd解剖标志位置 pom 创建BEM头颅模型 Atthebeginning ImportdataintoNEUROSCAN 我们先读入了最原始的文件 1 t nback是我们这个实验的名称 WorksintheEEGLab EEGLab Import 只有EEGLAB系统 可以很好的的进行ICA分析 从而很好的达到我们的目的 去掉眼动对脑电造成的影响 眼电校正所以我们在EEGLAB系统中做接下来的分析 所导入的数据的一些基本信息 这里我们得到了 1 nback set 定义电极位置 由于NS电极位置使用标准名称 所以按照默认设置导入即可 1 RemovebadchannelsRemoveHEOG VEOG 前面提到过 进入ICA分析的数据 需要 1 干净 无误的数据 2 具有统一的参考点的数据 所以 这里我们首先要去掉坏电极 坏电极首先是在数据记录过程中发现的异常电极 然后是ICA分析后发现的异常电极 由于NeuroScan中 HEOG与VEOG均是双极参考 所以也要去掉 EGI系统中不存在这个问题 NS系统里似乎只能标注去掉什么样的电极而不能完全删掉它 而对坏电极的标记在进入EEGLAB时又消失了 所以还是推荐在EEGLAB中进行这一步 这里我们得到了 2 withoutP8T7HV set 2 RunICA 独立成分分析 IndependentComponentAnalysis ICA 是近期发展起来的一个新的数据及信号分析方法 是一种将源信号从混合信号分离出来的信号处理技术 这里我们假设 每个电极位置的头皮都是一个脑电的源成分 并通过分析每个电极记录到的电压 用ICA方法计算每一个源成分的活动情况 我们通过计算电极Channel所记录下的电压变化的情况 得到电极活动的源成分Components的活动情况 这里我们得到了 3 ICA set 3 RemoveComponentswhicharerelatedtoeyemovements 通过ICA分析 我们可以获得眨眼 水平眼动的活动的源成分 以及这个源成分的活动模式 那么 当我们去掉这两个源成分的活动时 剩下的数据就是没有眼动影响的 干净的脑电活动了 好的条件下 我们可以排除掉所有的伪迹 包括眼电 最终取得干净的数据 但是如果被试有过量的眼动 而排除掉有眼动的数据会使可用的数据量过少时 我们就需要做眼电校正 一些实验情况下 有眼动的数据必须进行排除而不是校正 这就需要根据实验刺激的属性 实验目的等来判断 能否接受校正过的数据 那么哪些成分是与眼动有关的呢 好的ICA分析2D图 首先脑外没有分布 其次有集中的峰值 不好的ICA分析2D图举例 怎样确定 某成分是眨眼的源成分 某成分是水平眼动的源成分 而别的成分都不是呢 这里我们通过对比成分波形图与位置波形图来确定 源成分1的活动变化与垂直眼动的电压变化相吻合 源成分8的活动变化与水平眼动的电压变化相吻合 去掉对应的源成分后 它自动会计算新的EEG波形 得到 4 ICAwithout18 set 去掉眼电成分前的EEG波形 去掉眼电成分后的EEG波形 4 Epoch 1 2 3 4 5 5 Removeincorrecttrials 6 Createstudy 7 PrecomputeERP 8 ExportERPsfromeeglab Methods Stimuli Background 9 19linesegments7 14 Uppervisualfield Target 2 5 5 jitterredfromthefixation Mask Fixation superimposed T and L 75Hz1024 768pixels114cm Methods Trialsequence Methods Experimentalprocedure SOA 600ms320trials session SOA 466 40ms1120trials session 15subjects Behavioralsession SOAwasdecreasingfrom466msto40ms oneblockeachat466 360 266 226andthreeblockseachat186 160 146 120 106 80 66 40ms Eachsession 28blocks 40trials Methods EEGrecordingsession 128 channelHydroCelGeodesicSensorNet EGI Resistancebelow50K PhysicallyreferencedtoCzandthenoff linere referencedtotheaverageoftheleftandrightmastoidchannels Bandpassfilter 0 1to200HzSamplingfrequency 500HzSegment 200msbeforestimulusonsetand600msafterBaseline 200mspre stimulusandlastedfor200ms Methods Channelgroupsusedforanalysis Factorsusedinrepeated measurementANOVA SessionVisualfieldHemisphereArea Results behavioral Long termperceptuallearninghadtakenplace Letterdiscrimination 80 correctresponseSession F 5 70 20 973 p 0 001 Errorbar meanstandarderror TheimprovementratiooftheaveragedthresholdSOA 74 6 transfertosession6 58 8 maintenancetosession6 1 Tx T1 Results ERP C1 session F 5 70 0 788 p 0 562visualfield F 1 14 1 484 p 0 243 C1topographicmap 68 84ms C1peakamplitude C1 nosignificantchange SourcelocationbyBESA C1 68 84ms session1 thetrainedvisualfield Twodipoles x 15 6 y 77 7 z 6 8 R V 5 6 Location Brodmann sArea17 V1 P1 smalllearning relatedchanges session F 5 70 2 021 p 0 086session1vs session2 p 0 006session1vs session5 p 0 034testIIvs 6thsession p 0 037 AnteriorP160 350 theupperleftvisualfield N 15 160ms 350ms ms uv Negativeshift ThetimecourseofanteriorP160 350changewasverysimilartothepatternofbehavioraltrainingperformance session F 5 70 19 882 p 0 001visualfield F 1 14 1 560 p 0 232 Topographicmap 160 350ms TheposteriorP160 350 session F 5 70 2 851 p 0 022visualfield F 1 14 0 368 p 0 554testIIvs 6thsession p 0 601 positiveshi