通过分析EEG信号,研究人员和临床医生可以了解大脑在不同状态下的活动模式,如睡眠、觉醒、认知任务执行等,以及诊断和监测一些脑部疾病,如癫痫、睡眠障碍和脑损伤等。 一般来说,EEG信号是以波形的形式表示的,通常包括不同频率范围内的波动,如δ波(0.5-4Hz)、θ波(4-8Hz)、α波(8-13Hz)、β波(13-30Hz)和γ波...
我们所知的脑电图(EEG, Electroencephalogram)是一种通过在头皮上放置电极来记录大脑电活动的技术。但EEG信号具有非平稳性,因此常常需要时频域分析来更好地理解其特性。 EEG信号的数据是什么样的? 01 离散时间序列: EEG信号是通过在头皮上放置电极记录到的电活动。这些电活动是时间上连续的,但记录设备会以特定的采...
独立分量分析(Independent Component analysis,ICA)是随着盲源分离算法发展起来的多通道信号分析方法。ICA是基于信号的高阶统计特性,并且以源信号之间的相互独立性为前提,且独立分量具有非高斯的分布,目的在于分离相互叠加在一起的独立信号,它是盲源分离的最常用方法之一。进行独立分量分析的步骤有两步: 确定一个优化判据。
所谓频谱分析,又称为功率谱分析或者功率谱密度(Power Spectral Density, PSD)分析,实际就是通过一定方法求解信号的功率power随着频率变化曲线。笔者在这里对目前常用的频谱分析方法做一个总结,并重点介绍目前EEG分析中最常用的频谱分析方法,并给出相应的Matlab程序。
TF-PCA的独特价值在于提供了一种数据缩减方法,并且不依赖于关于感兴趣区域的特定时间或频率边界的先验知识约束,所以它也特别适合于发展心理学TF数据的分析。 参考文献:A practical introduction to EEG Time-Frequency Principal Components Analysis (TF-PCA)
本文讨论了高分辨率EEG分析的历史和发展,并阐明了使用高密度电极阵列可以获得的额外信息,以及在低通道电极数量上进行电场空间分析的缺点。很明显,头皮电场的空间频率比最初假设的要高得多,对这些频率的错误采样和对头皮表面的覆盖不足会导致错误的地形图、错误的定位,以及无法检测仅由少数几个电极观察到的局部事件。因此...
2.频谱EEG数据的表征相似性分析 2.1 概述 在示例性的数据分析流程中,我们演示了如何评估跨刺激重复的表征(项目内模式相似性)的神经稳定性,以及对不同刺激的响应(项目间模式相似性)的神经特异性。此外,我们通过对比项目内相似性和项目间相似性来检查神经表...
通过EEG，我们可以观察到大脑在不同状态下的电波活动，进而分析出大脑的各项能力，如学习能力、业务能力等。这些能力的提升与优化，都离不开对大脑状态的精准把握。因此，通过EEG脑波检测，我们能够更清晰地认识到自己，找到提升自我、优化能力的关键所在。观察活动中的大脑状态 脑波检测技术能够实时监测大脑的电波活动，...
通过EEG数据的支持向量回归分析，研究了偶然情绪状态和慈善事业的紧迫感对捐赠行为的影响，并对捐赠金额进行了逐次的预测。在参与者对两种慈善机构做出捐赠决定之前，我们使用积极、消极和中性的图片来诱导他们的附带情绪状态。一种慈善是为了将人们从当前的苦难中拯救出来，另一种是为了防止未来的苦难。在行为上，处于...