EEGLAB操作手册Ⅰ

EEGLAB 操作手册 贾会宾 华中师范大学心理学院 2012 年 6 月 7 日 其中的 KeyKeyKeyKey StepStepStepStep 是数据处理的必要的步骤 ExploratoryExploratoryExploratoryExploratory StepStepStepStep 是为了更好的了解 EEGLAB 的特点的探索性非必要步骤 第一章 将数据载入 EEGLAB KeyKeyKeyKey StepStepStepStep 1 1 1 1 StartStartStartStart MATLABMATLABMATLABMATLAB KeyKeyKeyKey StepStepStepStep 2 Optional 2 Optional 2 Optional 2 Optional SwitchSwitchSwitchSwitch totototo thethethethe datadatadatadata directorydirectorydirectorydirectory folder folder folder folder 也就是把 directory 转换为 数据所在的文件夹 可以通过 MATLAB 界面上方的 Current Folder 或者在 command line 通过 cd 这并不是必须的步骤 在实际的操作中有没有这个步骤没有影响 KeyKeyKeyKey StepStepStepStep 3 3 3 3 StartStartStartStart EEGLABEEGLABEEGLABEEGLAB 在 MATLAB command line 键入 eeglab 并点击 Enter 键 EEGLAB 的主窗口将 会弹出 如下图所示 KeyKeyKeyKey StepStepStepStep 4 4 4 4 载入数据 载入数据 目前 EEGLAB 支持绝大多数的数据类型 通过 File Import data 可以查看支持的数据类型 当然也包括 BP 的 vhdr 文件 EEGLAB 自身的文件格式是 set 文件 在下面 我将使用 EEGLAB tutorial 中自带的 Eeglab data set 载入方式是 File Load existing dataset 载入后 结果如下 从这个界面可以看到该数据集一些信息 Channels per frame 为 32 也就是 channel number 是 32 Frames per epoch 为 30504 表示的是一个 epoch 的样本点数目 由于在这个 原始数据中还没有分段 所以默认有一个 epoch 在这里 30504 表示的是每个 channel 样本 点总数 Epochs 为 1 表示的是 epoch 的数目 Events 为 154 event 表示的该数据集中事 件 即诸如刺激呈现 被试反应等称为 event 的数目 Sampling rate Hz 为 128 Epoch start sec 为 0 Epoch end sec 为 238 305 所以整个数据长度为 238 305s Reference 为参考电极 Channel location 为 No 这是因为我们还没有对各个 channel 的头皮坐标进行定位 ICA weights 为 No ICA weights 表示的是进行 ICA 分析后得到的 weights 此处有两个值 No 和 Yes ExploratoryExploratoryExploratoryExploratory Step Step Step Step ScrollingScrollingScrollingScrolling datadatadatadata 通过如下方式 查看各个 channel 的波形 通过该界面下的 Setting 下拉菜单及界面下方的那些选项可以实现一些操作 例如 Time range to display 调整该界面显示的时间长度 上图为 5s number of channels to display 调整 一个界面显示的 channel 数目 并可以选择一个时间段 并 REJECT 本界面的操作很简 单的 与 BP 相似 第二章 对各个 channel 进行头皮定位 为了以 2 D 或 3 D 的方式绘制 EEG scalp maps 以及对 ICA 分析后的独立成分进行源 定位 需要数据集包括各个 channel 的头皮坐标的相关信息 KEYKEYKEYKEYSTEPSTEPSTEPSTEP5 5 5 5 LoadLoadLoadLoad thethethethe channelchannelchannelchannel locationslocationslocationslocations 需要选择 Edit channel locations 得如下界面 在本例中 eeglab 开发者给出了该数据集的 channel location 文件 需要选择左下方的 Read locations 在弹出的对话框中 选择对应的位置文件 得到如下结果 通过上面的页面可以查看各个 channel 的坐标 通过 Plot 2 D 可以查看定位后结果 当 然 Plot 3 D xyz 可以绘制三维的 就 BP 而言 我们没有现成的 channel location 文件 那我们需要选择 Look up locs EEGLAB 可以帮助我们自动识别 channel 位置 在弹出的窗口 点击 OK 就好了 为了比较 一下自动识别后的 channel location 是否正确 可以选择 Plot 2 D 并与 BP 自带的电极位 置文件进行比较 我试过 貌似是可以的 还有一种方法 听人说的 没试过 我们依据 BP 自带的 channel 坐标的文件 在一个 txt 文档中写上各个 channel 的坐标 并将文件的拓 展名改为 locs 第三章 绘制 channel 频谱图 最好在进行数据下面的数据处理前 查看各个 channel 数据的波形 并 reject 那些不好 的数据段 在本部分 我们将查看数据集的频谱图 这一部分可以为我们的后续操作提供参考依据 并不是必须的步骤 ExploratoryExploratoryExploratoryExploratory Step Step Step Step PlotPlotPlotPlot ChannelChannelChannelChannel SpectraSpectraSpectraSpectra andandandand MapsMapsMapsMaps 需要选择 Plot Channel spectra and maps 将弹出如下窗口 保持默认就好了 点击 OK 得到如下结果 其中的各个曲线表示各个的 channel 32 条 在上方绘制了 6 10 22Hz 的头皮功率分布 注意 我们在上述界面默认选择了 15 的数据进行分析 因此我们每次得到的结果将 有所不同 当取值为 100 时 当然是无误的结果 当然 对于已经 epoch 的数据 我们同样也可以进行如上操作 第四章 预处理工具 1 改变取样率 Tools Change sampling rate并不是必须的 但是降低取样率可以节省空间 本例 没有改变 2 滤波 为了消除线性趋势 我们一般需要高通滤波 KEYKEYKEYKEYSTEPSTEPSTEPSTEP6 6 6 6 RemoveRemoveRemoveRemove linearlinearlinearlinear trendstrendstrendstrends 我们需要通过如下选项 Tools Filter the data Filter the data 有两个子菜单 Basic FIR filter 和 short IIR filter 它们是两种不同的滤波方法 前者界面如下 后者界面如下 我们可以在一个还没有 epoch的连续数据进行滤波 也可以在 epoch后的数据进行滤波 对连续的数据进行滤波可以排除 epoch boundaries 的滤波伪迹 在本例中 我们选择 Tools Filter the data Basic FIR filter Lower edge 选择 1 Hz 弹出如下结果 在本例中 我们选择 Overwrite it in memory 当然不是必须 这样的话得到结果将覆 盖住原始数据集 如果不选择的话 将生成一个新的数据集 如果我们希望进行带通滤波 需要分别进行高通和低通 在 FIR 滤波器中直接带通滤 波可能产生一些问题 究其原因 开发者没说 但是 IIR 滤波器貌似没有这些问题 3 重新设置参考电极 在这个数据集的记录过程中 研究者使用的是将乳突参考 为了重新设置参考电极 我们需要选择 Tools Re reference 如下页面将弹出 在这里 我们不更改参考电极 第五章 Extracting Data epochs KEYKEYKEYKEYSTEPSTEPSTEPSTEP7 7 7 7 ExtractExtractExtractExtract datadatadatadata epochsepochsepochsepochs 需要选择 Tools Extract epoch 弹出如下窗口 点击 弹出如下窗口 在这里我们选择的事件类型是 square 在本实验中表示的将 square 出现时刻作为 每个 epoch 的时间零点 在这里 我们不需要把每个 epoch 的 limit 进行更改 这里每个 epoch 时间长度为 3s 通常我们将每个 epoch 设置的时间长些 因为这样可以在低于 10Hz 的频段范围内进行时频 分解 KEYKEYKEYKEYSTEPSTEPSTEPSTEP8 8 8 8 RemoveRemoveRemoveRemove baselinebaselinebaselinebaseline valuesvaluesvaluesvalues 完成上述操作后 会自动弹出如下窗口 在这里基线为 1000 0 点击 OK 第六章 数据叠加平均 1 Plotting the ERP data onasingle axis with scalp maps ExploratoryExploratoryExploratoryExploratory Step Step Step Step PlottingPlottingPlottingPlotting all channelall channelall channelall channel ERPsERPsERPsERPs 在这一步 我们将绘制所有 epochs 的叠加平均 ERP 和某一特定潜伏期的 ERP scalp maps 我们需要选择 Plot Channel ERP With scalp maps 弹出如下窗口 保持默认值就好 点击 Ok 在上图结果中 每条曲线对应于各个 channel 上方的地形图是 430 ms 时刻的平均电压 地形图分布 当我们使用默认值的时候 eeglab 将默认绘制 ERP 方差最大时刻的地形图 在本例是 430ms 2 Plotting ERP traces inatopographic array ExploratoryExploratoryExploratoryExploratory Step Step Step Step PlottingPlottingPlottingPlotting ERPsERPsERPsERPs inininin a a a a TopographicTopographicTopographicTopographic MapMapMapMap 在这里我们希望按照各个 channel 的头皮分布分别绘制各个 channel 的 ERP 需要选择 Plot Channel ERPs In scalp rect array 弹出如下窗口 点击 Ok 弹出如下窗口 当我们双击其中的任何一个 channel 的时候 会弹出相应的 channel ERP 3 Plottingaseries of 2 D ERP scalp maps 在这里 我们将绘制一系列的 2 D scalp maps 其中每个图表明的是一个特定的潜伏期 的电压分布 ExploratoryExploratoryExploratoryExploratory Step Step Step Step PlottingPlottingPlottingPlotting a a a a seriesseriesseriesseries ofof ofof 2 D2 D2 D2 D ERPERPERPERPScalpScalpScalpScalp MapsMapsMapsMaps 选择 Plot ERP map series In 2 D 弹出如下窗口 假设我们感兴趣的是潜伏期 0 100 200 300 400 500ms 的电压分布 我们需要在上面的对 话框第一行键入 0 100 500 点击 Ok 第七章 选择数据的 epochs 并比较 1 Selecting events and epochs for two conditions 为了比较一个被试两种条件下的 ERP 我们需要首先为两种条件各创建一个 dataset 在这个实验中 一半的目标刺激呈现在位置 1 一半的目标刺激呈现在位置 2 ExploratoryExploratoryExploratoryExploratory Step Step Step Step SelectingSelectingSelectingSelecting EventsEventsEventsEvents andandandand EpochsEpochsEpochsEpochs forforforforTwoTwoTwoTwoConditionsConditionsConditionsConditions 需要选择 Edit Select epochs or events 弹出如下窗口 点击 Stimulus position 我们分别键入 1 和 2 可创建两个 dataset 并分别将其命名为 Square Pos 1 和 Square Pos 2 在 EEGLAB 中 另外一个可用于数据集的子集选择的函数是 pop select m 这个函数可 以通过如下方式调用 Edit Select data 弹出如下窗口 在上述窗口 键入相应参数 例如 通过上述操作 我们将提取每个 epoch 的 0 5 至 1s 去除了第 2 3 4 个 epoch 2 Computing Grand Mean ERPs ExploratoryExploratoryExploratoryExploratory Step Step Step Step ComputingComputingComputingComputing GrandGrandGrandGrand MeanMeanMeanMean ERPsERPsERPsERPs 我们需要选择 Plot Sum Compare ERPs 弹出如下窗口 我们在第一行中间的文本框 输入 3 和 4 它们分别表示上述两个生成的数据集 3 和 4 分别是它们在 EEGLAB GUI 界面上的编号 右方的 avg 表示总平均 ERP std 表示 standard deviation all ERPs 表示输出所有数据集 的 ERP 在 highlight significant regions 键入 0 05 表示 t test significance probability p threshold 点击 OK 双击 FPz 3 Comparing ERPs in two conditions ExploratoryExploratoryExploratoryExploratory Step Step Step Step ComparingComparingComparingComparing ERPsERPsERPsERPs ininininTwoTwoTwoTwoConditionsConditionsConditionsConditions 我们需要选择 Plot Sum Compare ERPs 弹出如下窗口 键入参数 表示比较上述两个数据集 低通滤波 30Hz 并绘制标题 Position 1 2 点击 OK 双击 FPz 第八章绘制 ERPimages 为了对 ERP 效应有一个更好理解 EEGLAB 有一个比较有特色的功能 即绘制 ERP image 这个 ERP image 是一个 2 D image 其中的横轴是每个 epoch 的时刻值 纵轴是各个 epoch 的编号 而该图像中的每一点表示相应的 epoch 的相应时刻的电压值 至于纵轴上的 各个 epoch 的顺序 EEGLAB 默认是按照它们在实验中出现的顺序进行排序 当然 研究 者可以依据自己的个人兴趣 对各个 epoch 的纵轴顺序重新排序 例如 依据 subject reaction time alpha phase at stimulus onset 理论上来说 排序的方式可以有很多种 当然每种 排序所能提供的信息不尽相同 需要针对自己的研究来具体选择 同时需要注意的是 有些时候如果不仔细考虑会很容易对结果进行错误解释 例如 利 用某一频段的相位进行排序 可能会掩盖相同数据的不同频段的振荡活动 1 选择需要绘制的 channel 假设我们想选择 alpha 频段 大约为 10Hz 功率最大的 channel 需要选择 Plot Channel spectra and maps 可以看出 alpha 频段的能量主要集中在枕叶 鉴于此 我们选择 POz 27 号 电极 2 使用 pop erpimage 绘制 ERP images ExploratoryExploratoryExploratoryExploratory Step Step Step Step ViewingViewingViewingViewing a a a a ChannelChannelChannelChannel ERPERPERPERP 选择 Plot Channel ERP image 弹出如下窗口 选择 channel 27 smoothing 1 表示的是在临近的 epochs 进行平滑绘图的的时候 所取的值 其他默认 点击 Ok 弹出如下结果 上图的最上方为选择的电极的头皮位置 中间的图即为 ERP image 下图为该电极的 ERP ExploratoryExploratoryExploratoryExploratory Step Step Step Step PlottingPlottingPlottingPlotting a a a a SmoothedSmoothedSmoothedSmoothed ERPERPERPERP 在这里我们将 smoothing 设置为 10 它表示在相邻的 10 个 epoch 平滑 我的理解 弹出如下窗口 可以看出 上述结果可以更好的显示 alpha 频段的振荡活动 3 对 ERP image 中的 trial 进行排序 在上面的 ERP image 中 从下到上 EEGLAB 默认按照 trial 在实验过程中出现的顺序 排列 当然也可以按照其他的变量进行排序 在下面我们使用的变量的是被试的反应时间 具体来说是事件 rt 的潜伏期 latency ExploratoryExploratoryExploratoryExploratory Step Step Step Step SortingSortingSortingSorting TrialsTrialsTrialsTrials inininin anananan ERPERPERPERPImageImageImageImage 选择 Plot Channel ERP image 双击 弹出如下窗口 选择 latency 点击 OK 双击 弹出如下窗口 选择 rt 点击 Ok 在 Event time range 下方的文本框 键入 200 800 不是很理解这一选项 点击 Ok 弹出如下窗口 上图中的黑线表示事件 rt 的 latency 如果不对 Event time range 下方的文本框进行设置的话 弹出如下结果 看不出两种结果之间的不同 4 使用频谱选项绘制 ERP image ExploratoryExploratoryExploratoryExploratory Step Step Step Step SortingSortingSortingSorting TrialsTrialsTrialsTrials inininin anananan ERPERPERPERPbybybyby PhasePhasePhasePhase ValueValueValueValue 我们键入的参数如下图 点击 OK 弹出如下结果 ExploratoryExploratoryExploratoryExploratory Step Step Step Step Inter TrialInter TrialInter TrialInter Trial CoherenceCoherenceCoherenceCoherence ITC ITC ITC ITC 为了在 ERP image figure 中绘制 ITC 我们需要在 pop erpimage 中设置如下参数 这样我们便可以分析 9 11 Hz 并进行显著性检验 显著性水平 0 01 点击 Ok 上图的最上方子图的 ERP image 倒数第二个子图是 ERSP Event Related Spectral Power 表示的是功率的平均变化 单 位为 dB 在这个子图中 曲线没有超出蓝色区域 表示在选择的频率 10 13Hz 见右下角 相对基线水平 25 93dB 功率没有显著变化 最下方的子图的 ITC 它表示的相对刺激呈现而言 相位同步化的程度 10 13Hz 表示 选择分析的频段 可以看出在 300Hz 附近相位同步化显著增强 第九章使用 ICA 分解数据 KEYKEYKEYKEYSTEPSTEPSTEPSTEP9 9 9 9 CalculateCalculateCalculateCalculate ICAICAICAICAComponentsComponentsComponentsComponents 需要选择 Tools Run ICA 弹出 这里默认的算法是 runica 按照这个默认的就好 点击 Ok 耐心等待 速度一般较慢 1 绘制 2 D Component Scalp Maps 我们需要选择 Plot Component maps In 2 D 弹出如下窗口 鉴于我们想绘制 1 12 个独立成分 我们需要将 Component numbers 后面的文本框 改为 1 12 点击 Ok 凭借这个我们可以了解各个独立成分的头皮分布 EEGLAB 有一个很有用的插件 ADJUST 它可以半自动的去除伪迹独立成分 ADJUST 需要自己安装 不是 EEGLAB 默 认携带的 步骤如下 选择 Tools ADJUST 弹出如下窗口 鉴于我们已经运行 ICA 了 选择 RunADJUST 弹出如下结果 从上图可以看出 ADJUST 认为第 7 10 27 独立成分是伪迹 我们双击 弹 出如下结果 单凭有初步经验的人也可以看出 此独立成分明显是一个眨眼伪迹 ADJUST 的开发者 说 ADJUST 的准确率相对专家可达到 95 所以相对我这种没有太多经验的人来说 姑 且就认为 ADJUST 的判断正确吧 下一步是删去第 7 10 27 独立成分 我们需要选择 Tools Remove components 在右方的文本框 键入 7 10 27 点击 Ok 然后选择 Accept 第十章Working with ICA Components 1 绘制 component spectra and maps 在本部分 我们希望了解哪些独立成分对特定的频段贡献最大 我们需要选择 plot Component spectra and maps 弹出如下窗口 表示是需要随机选择的数据的百分比 百分比小的话 会节省时间 百分比越大 结果当然越准确 在这里我们选择 100 其余选项默认 点击 Ok 在下面 为了估计各个独立成分对某一个特定的 channel 的贡献 我们将介绍一个更为 准确的方法 至于为什么是一个更为准确的做法 开发者只是说了 for technical reasons 假设我们需要考查27号channel 我们需要 右方的文本框 键入 27 右 方 的 uncheck 点击 OK 同时 command line 出现如下结果 Component 1 percent variance accounted for 1 16 Component 2 percent variance accounted for 4 67 Component 3 percent variance accounted for 13 79 Component 4 percent variance accounted for 32 87 Component 5 percent variance accounted for 0 96 Component 6 percent variance accounted for 4 91 Component 7 percent variance accounted for 0 18 Component 8 percent variance accounted for 5 05 Component 9 percent variance accounted for 27 82 Component 10 percent variance accounted for 1 08 Component 11 percent variance accounted for 40 35 Component 12 percent variance accounted for 3 10 Component 13 percent variance accounted for 2 56 Component 14 percent variance accounted for 3 89 Component 15 percent variance accounted for 4 03 Component 16 percent variance accounted for 2 86 Component 17 percent variance accounted for 1 89 Component 18 percent variance accounted for 1 68 Component 19 percent variance accounted for 0 02 Component 20 percent variance accounted for 1 11 Component 21 percent variance accounted for 0 12 Component 22 percent variance accounted for 0 11 Component 23 percent variance accounted for 0 22 Component 24 percent variance accounted for 0 38 Component 25 percent variance accounted for 0 03 Component 26 percent variance accounted for 0 41 Component 27 percent variance accounted for 0 12 Component 28 percent variance accounted for 0 00 Component 29 percent variance accounted for 0 06 2 绘制独立成分 ERPs 我们需要选择 Plot Component ERPs In rectangular array 点击 Ok 为了查看各个独立成分的 ERP 双击相应的独立成分 为了比较多个 dataset 的独立成分的 ERP 我们可以采用与 channel ERPs 相似的方法 选择 Plot Sum Compare comp ERPs 事实上 对话框也很相似 如下 不再详述 3 绘制独立成分 ERP 贡献 为了得到独立成分的 ERP 对数据的 ERP 的贡献 我们需要选择 Plot Component ERPs with component maps 点击 Ok 就好了 上图中的黑色包络线是各个时间点的所有 channel 的最大值和最小值 彩线是各个独立 成分的的 ERP 现在我们希望了解对 200 500ms 数据 ERP 贡献最大的独立成分 右方的文本框改为 200 500 在 command line 返回如下结果 Comparing maximum projections for components IC1 maximum mean power of back projection 80 1385 IC2 maximum mean power of back projection 1 73828 IC3 maximum mean power of back projection 1 69376 IC4 maximum mean power of back projection 2 55062 IC5 maximum mean power of back projection 6 99448 IC6 maximum mean power of back projection 9 00769 IC7 maximum mean power of back projection 3 06103 IC8 maximum mean power of back projection 6 89689 IC9 maximum mean power of back projection 2 88371 IC10 maximum mean power of back projection 4 23078 IC11 maximum mean power of back projection 3 42227 IC12 maximum mean power of back projection 4 72891 IC13 maximum mean power of back projection 1 90804 IC14 maximum mean power of back projection 1 8131 IC15 maximum mean power of back projection 0 853632 IC16 maximum mean power of back projection 0 683555 IC17 maximum mean power of back projection 5 9612 IC18 maximum mean power of back projection 0 86812 IC19 maximum mean power of back projection 0 73882 IC20 maximum mean power of back projection 0 61765 IC21 maximum mean power of back projection 0 287868 IC22 maximum mean power of back projection 0 277423 IC23 maximum mean power of back projection 0 173851 IC24 maximum mean power of back projection 0 0984656 IC25 maximum mean power of back projection 0 235789 IC26 maximum mean power of back projection 0 0806276 IC27 maximum mean power of back projection 0 100677 IC28 maximum mean power of back projection 0 0798501 IC29 maximum mean power of back projection 0 0388474 in the interval 203 ms to 500 ms Plotting envelopes of 7 component projections Topo maps will show components 1768101512 with max var at times ms 281289313352398430453 epoch frames 319320323328334338341 Component sortvar in interval 80 14 1 74 1 69 2 55 6 99 9 01 3 06 Summed component ppaf in interval 203 125500 ms 88 98 Plot limits sec sec uV uV 1 1 99219 18 7508 22 2963 第十一章 Time Frequency decomposition 1 Decomposing channel data KeyKeyKeyKey StepStepStepStep 10101010 ERSPERSPERSPERSPandandandand ITCITCITCITC 为了检测ERSP event related spectral perturbation 和ITC inter trial coherence 我们 需要选择Plot Time frequency transforms Channel time frequency 弹出如下对话框 Channel number选择14 Cz Bootstrap significance level选择0 01 其它默认 点击Ok 得到的结果分为两个子图 上方是ERSP子图 下方是ITC子图 ERSP子图 该子图左方的panel是基线的平均功率谱 而各个时间点的ERSP包络线 而 top image是相对基线 每个时间点 每个频率的频谱功率改变 event related changes in spectral power from pre stimulus baseline at each time during the epoch and at each frequency Time frequency transforms Component time frequency Component number选择10 Sub epoch time limits选择 500 1000 选择Use FFT Bootstrap significance level选择0 01 点击Ok 备注 之所以选择FFT是因为 相对wavelets而言 它可以计算更低的频率 3 计算独立成分的cross coherences 为了决定两个独立成分活动之间同步化的程度 我们可以绘制它们之间的event related cross coherence 我们需要选择Plot Time frequency transforms Component cross coherence 我们的参数设置如下 点击Ok 本结果的上方子图是两个独立成分的coherence magnitude 而下方的子图表示的是 在 上方各个 coherence magnitude显著的区域 两个独立成分的相位差 当然我们同样可以绘制各个channel之间的coherence 需要选择Plot Time frequency transforms Channel cross coherence 补充 一 使用DIPFIT 2 对独立成分进行等价偶极子定位 在使用DIPFIT之前需要载入channel location 并进行ICA分解 在这里我们将使用另一 个数据集eeglab dipole set 进行偶极子定位时 需要三个步骤 分别是 1 Setting model and preferences 2 Grid scanning 3 Non linear interactive fitting 1 Setting up DIPFIT model and preferences 我们需要选择 Tools Locate dipoles using DIPFT Head model and settings Head model 选项为我们提供了四个可供选择的 head model 在这里我们选择 BEM 现在说一下 Co register chan locs With head model 选项 如果我们使用的电极位置是 10 20系统的 我们不需要 co register 需要选择 No Co Reg 否则的话 我们需要选择 Manual Co Reg 注意 在 eeglab 的 wiki tutorial 中 作者说针对样本数据集 e