脑电代码分析

S1一、初始化与路径设置二、定义事件标记Triggers三、被试循环与数据加载四、电极定位与基础设置EEG pop_chanedit(EEG, lookup, locpath);EEG eeg_checkset(EEG);五、提取垂直眼电EEG.VEOGsqueeze(EEG.data(find(strcmpi(VEO,{EEG.chanlocs.labels})),:));六、重参考重参考Re-referencing本质上是离线更换脑电数据的“电位零点”将原始采集时的物理参考转换为更中性或更适合分析的虚拟参考以消除参考电极自身活动对信号的污染。EEG.data(ismember({EEG.chanlocs.labels},M2),:) EEG.data(ismember({EEG.chanlocs.labels},M2),:)/2;EEG pop_reref(EEG, find(strcmpi(M2,{EEG.chanlocs.labels})));七、剔除不需要的通道EEG pop_select(EEG,nochannel,{CB1,CB2,HEO,VEO,TRIGGER});删除小脑电极CB1/CB2、水平/垂直眼电、触发通道等非脑电通道保留 60 个脑电通道。八、滤波处理1.50 Hz 陷波滤波去除工频干扰对 48–52 Hz 进行陷波滤波去除 50 Hz 电源线噪声。2.带通滤波0.1-35HZEEG pop_basicfilter(EEG, eeg_chans, Cutoff, [0.1 35], Design, butter, Filter, bandpass, Order, 2, RemoveDC, on);使用 2 阶 Butterworth 滤波器进行 0.1–35 Hz 带通滤波去除低频漂移和高频噪声同时移除直流偏移。3. 复制一份 1–35 Hz 滤波数据TEMPEEGTEMPEEG pop_basicfilter(EEG, eeg_chans, Cutoff, [1 35], ...);TEMPEEG 用于后续坏道检测和 ICA 计算高通设为 1 Hz 更有利于 ICA 分解稳定性。九、坏道检测方法 1pop_rejchan 自动检测[~, indelec, measure] pop_rejchan(EEG, elec, eeg_chans);基于通道间相关性等指标自动标记异常通道。方法 2FASTER 流程检测EEG pop_reref(EEG, ref_chan, keepref, on); % 临时以 FCz 为参考 chan channel_properties(EEG, eeg_chans, ref_chan);chan_exceeded_threshold min_z_JFC(chan);FASTER_bad_chans find(logical(chan_exceeded_threshold(:,2)chan_exceeded_threshold(:,3)));临时重参考到 FCz计算每个通道的加权相关性和 Hurst 指数等指标通过 FASTER 算法的阈值判断坏道。合并两种方法的结果EEG.bad_chans{3}unique([FASTER_bad_chans(:);indelec(:)]);取两种方法的并集作为最终坏道列表并从 EEG 和 TEMPEEG 中剔除。十、删除休息段 / 无标记时段TEMPEEG pop_erplabDeleteTimeSegments(TEMPEEG, startEventcodeBufferMS, 2000, endEventcodeBufferMS, 2000, timeThresholdMS, 30000);如果连续 30 秒内没有出现任何事件标记则认为该段为休息/无效数据予以删除。前后各保留 2 秒缓冲。十一、坏段检测连续伪迹剔除threshVal{1}600; threshVal{2}1000; threshVal{3}50;TEMPEEG pop_continuousartdet(TEMPEEG, ampth, 600, winms, 1000, stepms, 50, ...);使用滑动窗口1000 ms步长 50 ms检测振幅超过 ±600 μV 的伪迹段并弹出可视化界面供人工确认review, on。随后再以 review, off 自动执行一次正式剔除坏段。十二、ICA 独立成分分析TEMPEEG pop_runica(TEMPEEG, icatype,runica, pca, TEMPEEG.nbchan);EEG pop_editset(EEG, icachansind, TEMPEEG.icachansind, icaweights, TEMPEEG.icaweights, icasphere, TEMPEEG.icasphere);在 TEMPEEG1–35 Hz 滤波、去坏道、去坏段后的数据上运行 runica 算法PCA 维度等于通道数。将 ICA 分解结果权重矩阵、球化矩阵等赋回原始 EEG 结构体。ICA独立成分分析是脑电预处理中最核心的盲源分离步骤其本质是将头皮电极记录到的混合信号逆向分解为多个在统计上相互独立的源信号即独立成分从而精准分离并剔除眼电、肌电等伪迹同时保留真实的神经活动信号。十三、ICA 质量控制与伪迹成分标记[EEG, EEG.bad_ICAs, EEG.PVs] raclab_qc4ica(EEG, triggers, subno, rootpath);调用自定义函数 raclab_qc4ica基于之前声明的 triggers 事件标记自动识别并标记眼电、肌电等伪迹成分同时生成质量报告。十四、保存预处理结果顺序步骤说明1数据加载读取.mat原始数据2电极定位匹配 10-5 标准位置3提取 VEOG保存垂直眼电通道4重参考以 M2 为参考M2/25剔除无关通道删除 CB1/CB2/HEO/VEO/TRIGGER650 Hz 陷波滤波去除工频干扰70.1–35 Hz 带通滤波EEG 主数据81–35 Hz 带通滤波TEMPEEG 用于坏道检测/ICA9坏道检测pop_rejchan FASTER 双方法合并10剔除坏道从 EEG 和 TEMPEEG 中删除11删除休息段30 s 无标记的时段12坏段检测pop_continuousartdet振幅阈值法13ICA 分解在 TEMPEEG 上运行 runica14ICA 结果赋回将权重/球化矩阵写入 EEG15ICA 质控raclab_qc4ica自动标记伪迹成分16保存结果输出_PREPROC.mat注意该流程中 ICA 之后并未实际移除伪迹成分没有调用 pop_subcompraclab_qc4ica 仅标记了 EEG.bad_ICAs伪迹成分的剔除可能在后续的分段epoching或分析阶段完成。