# 简介
此为陈锐维护更新的开源自编知识库，更多学习内容可关注公众号：大脑技术；付费学习资源可加入大脑技术知识星球
*建立微信订阅号（BrainTechnology和大脑技术）以来，我写了大量的实用教程了，突然意识到，今后假如我的教程帮助到朋友们做实验分析，希望大家在文章末尾的致谢（Acknowledgements）中提一下我。形式不限，举例来说，可以写 “感谢微信公众号：大脑技术, 对研究方法部分的帮助”，或者“We thank the WeChat subscription account: BrainTechnology, for help in methodology.”。*
如果朋友们这么做了，请**微信告诉**我，好让我开心一下。
聚焦脑科学前沿研究，有料、有用、有趣的内容分享；科研路上，助你一臂之力！
### 前言
这是我使用Gitbook进行撰写的开源教程内容，以帮助初入门脑科学技术的您快速了解相关学习知识。撰写本Book的灵感来源于微信公众号的专辑内容，它只能在微信客户端使用，这让我感到难受，我希望我的文章能在电脑上也能顺利的查看，因此我建立了gitbook，希望对各位能有所帮助。
这里将是我进行系列教程的展示平台，目前，我维护的平台，主要有[**知乎**](https://www.zhihu.com/people/braintechnology)（主要是让百度搜索收录），[**B站**](https://space.bilibili.com/328549846)（一些很实用的视频教程的上传平台），[**微信公众号**](https://mp.weixin.qq.com/s?__biz=MzIyNTYyNzk0Mg==\&mid=2247484996\&idx=1\&sn=fae2bff51b400509590de4fe1784f07b\&chksm=e87d9c0ddf0a151bcdac4a1efbe94303365e184b913d258091671321c60d5f5c7feab65ec633\&scene=21#wechat_redirect)（有趣、有料、有用的消息发布），还有就是本平台（系列教程的展示）。
### EyeTracking
EyeTracking眼动追踪技术是指通过测量眼睛的注视点的位置或者眼球相对头部的运动而实现对眼球运动的追踪。
### EEG/ERP
EEG是通过在脑的各相应区域（在头皮、硬膜下等）安放电极，描记大脑神经细胞活动所产生的生物电活动，因此EEG是反应大脑功能状态的电生理技术。
ERP是外加一种特定的刺激，作用于感觉系统或脑的某一部位，在给予刺激或撤消刺激时，在脑区所引起的电位变化。
### NIRS
NIRS = Near- InfraRed Spectroscopy是一种使用光谱法测量大脑神经活动水平的神经成像方法。
近红外光谱(NIRS)技术以生物组织光学特性为基础，结合光在组织中的传播规律，研究光在组织中历经一系列吸收、散射后出射光携带的与组织光学特性相关的生化信息。
探测的主要生理参数：组织中吸收色团（如HbO2、Hb、totalHb等）浓度变化。
### TMS
经颅磁刺激（Transcranial Magnetic Stimulation ，TMS）技术是一种利用时变磁场作用于大脑皮层产生感应电流来改变皮层神经细胞的动作电位，从而影响脑内代谢和神经活动的磁刺激技术。
TMS是一种无疼痛、无创伤、安全可靠的中枢神经和外周神经的刺激方法。
## 我是谁？
我叫陈锐(CR)，目前从事脑科学技术的培训工作，目前常驻在广州，欢迎与我取得联系。
同时，我也是我爱脑科学网、大脑技术以及心理和大脑技术公众号的运营者，我对多个领域的产品和使用均有一定的经验心得，包括以上但不局限如此，欢迎与我多交流，公众号微信小助手ID：braintechnology
## 结语
本平台的建立展示系列的教程资源，也欢迎加入大脑技术知识星球，获取更多实用教程内容！
本文作者：Chen Rui
星球地址 ：[知识星球](https://t.zsxq.com/W5M3F)[Blog ](https://t.zsxq.com/W5M3F)
知乎地址 : [知乎专栏](https://www.zhihu.com/people/braintechnology)
B站地址 : [B站主页]()
公众号：大脑技术
# 研究人脑的脑科学技术手段
本文首发在个人博客上（[**7988888.xyz**](https://7988888.xyz/)），此文章中所有链接均通过博客进行访问
### 研究人脑的脑科学技术手段
包裹在头骨中的人脑是我们器官中受保护最强的器官。研究人的大脑，必不可少的是认识大脑结构，在此前我也多次分享过大脑的解剖图解，在这里我 再一次分享它，希望它能带给你更清晰的认识。访问链接： 在我的个人博客的学习资料的其它列表的第一个《大脑局部解剖图谱》即可获取。
解剖学方法最大的局限性是只能观察到死亡的大脑而不能得知大脑的运作状态，这就需要现代科学技术实现在被观测者保持清醒状态下的脑活动检测。
目前比较常见的研究手段有**计算机断层扫描（CT）**、**正电子发射断层扫描** （**PET**）、**磁共振成像** （**MRI）**、**功能性核磁共振（fMRI）**、**脑磁图（MEG）**、**功能性近红外光谱技术（fNIRS）**、**脑电图（EEG）**等。
在这里我还需要说明一下，以上讨论的是非入侵性式的神经成像的技术方法，侵入式的技术方法也是探测大脑的方法之一，也有很多，比如：**皮层脑电图**（Electrocorticography，ECOG ）、**局部场电位阵列**（Local Field Potential ，LFP）等，还有用于治疗或是神经调控的技术，比如：**脑深部电刺激术**（Deep Brain Stimulation, **DBS**）、**经颅磁刺激**（Transcranial Magnetic Stimulation, **TMS**）、**经颅电刺激**（transcranial electrical stimulator , **tES**）等
接下来，我将简要的介绍一下脑科学技术方法：
#### **磁共振成像** （**MRI）**
#### **功能性核磁共振（fMRI）**
#### **功能性近红外光谱技术（fNIRS）**
#### **脑电图（EEG）**
这四种技术的简介，可以参考我之前写过的文章[**《EEG vs MRI vs fMRI vs fNIRS》**](https://mp.weixin.qq.com/s/thWUzP47_1RTTqfu66QR3g)
#### **计算机断层扫描（Computerized Tomography，CT）**：
计算机断层扫描(CT)是旧x射线技术的升级版本，强大的 x 射线发射器围绕你旋转，产生各种角度和深度的图片。通过复杂的计算，这些图像被构建成一个三维图像。由于大脑中的白质和灰质拥有不同的密度，所以使用 CT扫描来区分它们是可能的。在扫描中，白质比灰质显得更暗，因为它的密度相对较小，它是有用的病理过程，如肿瘤病变和缠结影响灰质和白质的密度。当然，使用 x 射线也有一些缺点，比如增加患癌症的风险。
如果你还想了解的更详细的成像原理，我推荐参考知乎上《水木看山》专栏的解答， 还有一个对CT和MRI非常有用的公众号《懋式百科全书》，我也是它的学习者，非常受益。可以参考[《CT总结》](https://mp.weixin.qq.com/mp/appmsgalbum?__biz=MzI1NzU4Njg2OQ==\&action=getalbum\&album_id=1318229715018383360\&scene=126#wechat_redirect)
——来自百度图片，仅供参考
#### **正电子发射计算机断层扫描** （**Positron Emission Tomography，** **PET**）：
正电子发射计算机断层扫描成像技术是一种功能成像技术，用于医学上观察各种目的的代谢过程，检测肿瘤是最大的一种。它包括向受试者或患者注射附着在生物活性分子(通常是葡萄糖的类似物)上的短寿命放射性物质。大脑组织对活性分子的吸收可以通过测量来自正电子发射的放射性来观察，提供了一个差异代谢活动的测量。它通常与 ct 扫描同时使用，以获得与示踪成像相结合的三维图像。它特别有用于肿瘤检测，因为肿瘤代谢葡萄糖非常不同。同样可以参考《水木看山》的专栏：
#### **脑磁图（Magnetoencephalography ，MEG）**
脑磁图测量神经元中产生的电偶极子电荷流动产生的微小磁场。虽然单个神经元的磁场非常小，但是成千上万个神经元的集体磁场可以用非常敏感的磁强计 squid 探测到。脑磁图可以在毫秒级时间尺度上测量神经元活动的变化（相比于fMRI来说，时间分辨率可以说是“秒杀”级别），还可以分辨大脑表面以下的活动(相比于EEG来说，空间分辨率更高) ，使它可以成为实时成像大脑功能的最强大的技术。但是，问题在于为了获得足够低的阻抗，以便它能够捕捉到磁场中的这些微小变化，这些 SQUID 传感器必须冷却到 -276度，这使得它的维护成本很高，在国内高校中，只有几所高校有，像北京大学等。
——来自 百度图片，仅供参考
除了以上非侵入式的用于研究大脑的技术外，还有侵入式的技术和用于刺激治疗的手段。
#### **皮层脑电图（Electrocorticography，ECOG ）**：
皮层脑电图(ECOG)与EEG类似，但是是直接在大脑皮层进行的，以获得更精细的信号分辨率。头骨必须被打开，硬脑膜必须被打开以放置电极。这种技术手段只有在专业的神经外科手术时才会用到，可以参考之前的文章《[皮层脑电图（ECoG）](http://mp.weixin.qq.com/s?__biz=MzIyNTYyNzk0Mg==\&mid=2247484078\&idx=1\&sn=66dea4459bf22946bafd47a20f7ce287\&chksm=e87d98e7df0a11f1abc48e14bd08a9f29c7fb6460f99c3f7ebb24a35b207953483523368b186\&scene=21#wechat_redirect)》
#### **局部场电位阵列（Local Field Potential ，LFP）**
局部场电位（local field potential，LFP）信号代表在记录电极周围少量神经组织中胞外低频电生理信号的总和，概括地反映记录电极附近局部空间内神经元集群突触活动所造成的电场变化。类似的，还有Spikes尖峰电位，推荐查阅这一篇文献：Buzsáki, G. Large-scale recording of neuronal ensembles. *Nat Neurosci* **7,** 446–451 (2004). )
诱发刺激和治疗的技术手段
#### **经颅磁刺激（Transcranial Magnetic Stimulation, TMS）**
TMS是Transcranial Magnetic Stimulation 的缩写，即经颅磁刺激技术，该技术是一种利用脉冲磁场作用于中枢神经系统（主要是大脑），改变皮层神经细胞的膜电位，使之产生感应电流，影响脑内代谢和神经电活动，从而引起一系列生理生化反应的磁刺激技术。
可以参考视频[《TMS简介》](https://mp.weixin.qq.com/s?__biz=MzIyNTYyNzk0Mg==\&mid=2247485308\&idx=1\&sn=8bd714b8e23176155b3f245bbe7ce8eb\&channel_session_id=\&sessionid=svr_35ebdb20beb\&scene=168\&subscene=136#rd)和[《Magstim-TMS的使用》](https://mp.weixin.qq.com/s?__biz=MzIyNTYyNzk0Mg==\&mid=2247485586\&idx=1\&sn=562a9053fd8fa84b8c235fbb73d87830\&channel_session_id=\&sessionid=svr_35ebdb20beb\&scene=168\&subscene=136#rd)
#### **经颅电刺激（transcranial electrical stimulator , tES）**
经颅电刺激是一种非侵入性神经刺激技术，它通过特殊的电极将特定的低强度电流作用于特定脑区，达到调节大脑皮层神经活动的目的。tDCS不是通过阈上刺激引起神经元放电，而是通过调节神经网络的活性而发挥作用。它改变的是影响神经元去极化和超极化的膜静息电位，从而改变神经元的兴奋性。经颅电刺激现在包括三种不同的刺激方式：tDCS恒定直流电刺激、tACS交流电刺激以及tRNS随机电流刺激
* tDCS – 经颅直流电刺激 transcranial direct current stimulation
* tACS – 经颅交流电刺激 transcranial alternating current stimulation
* tRNS –经颅随机噪声刺激 transcranial random noise stimulation
#### **脑深部电刺激术（Deep Brain Stimulation, DBS）**
DBS是一种神经外科手术，涉及将电极植入大脑内的特定位置，并从植入的电池电源中提供恒定或间断的电流。它用于临床比较多，作为一种外科手术工具，DBS可以直接测量病理性脑活动，并可以提供可调节的刺激，以治疗与电路功能异常相关的神经和精神疾病。
——来自网络截图《INC国际神经科学》公众号，仅供参考
最后，除了这些技术外，其实还要算上眼动仪、SPECT以及在动物上使用的 很多技术手段，光遗传学、膜片钳等。
再次分享这个技术方法的图片吧。
时间和空间分辨率的经典区分图片
## 谢谢大家观看，如有帮助，来个喜欢或者关注吧！
本文作者：Chen Rui
星球地址 ：[知识星球](https://t.zsxq.com/W5M3F)[Blog ](https://t.zsxq.com/W5M3F)
知乎地址 : [知乎专栏](https://www.zhihu.com/people/braintechnology)
B站地址 : [B站主页]()
公众号：大脑技术\
CSDN地址 : [csdn主页](https://blog.csdn.net/craig_cc)
# 大脑基础知识
对大脑的基础知识是我们进行大脑研究的基础。人的大脑可以区分为三个部份：脑核(CentralCore)、脑缘系统(LimbicSystem)、大脑皮质(Cerebral Cortex)。脑核部份是掌管人类日常基本生活的处理，包括呼吸、心跳、觉醒、运动、睡眠、平衡、早期感觉系统等。而脑缘系统是负责行动、情绪、记忆处理等功能，另外，它还负责体温、血压、血糖、以及其它活动等。大脑皮质则负责人脑较高级的认知和情绪功能。
目前来说，我们所使用探索的脑区主要是大脑皮质（Cerebral Cortex），大脑皮质又分为两个主要大块----左大脑和右大脑，各大块均包含四个部分----额叶(Frontal Lobe)、顶叶(Parietal Lobe)、枕叶(Occipital Lobe)、颞叶(Temporal Lobe)。所以在国际上通用的10-20系统上的电极点命名是根据各部分脑区的英文名来的。每个脑区分别负责不同的人脑高级的认知和情绪执行功能。如下图
对于大脑皮质的知识内容很多，在后面的推送中会慢慢的介绍，首先对于初学者来说，要有这个概念，然后再往深处走。
### 大脑研究的技术手段
对大脑研究的技术手段来说，离不开目前的一些设备——脑电（EEG/ERP）、脑磁（MEG）、近红外脑成像（NIRS）、核磁共振成像（MRI）、功能性核磁共振成像（fMRI）等设备。
### 脑电
脑电图（EEG）是一种记录大脑自发电位活动变化的电生理监测方法。
事件相关电位（Event-related Potential, ERP）：凡是外加一种特定的刺激，作用于感觉系统或脑的某一部位，在给予刺激或撤消刺激时，在脑区所引起的电位变化。（The presentation of a transient sensory, motor or cognitive event or task disturbs the spontaneous EEG activity and evokes the event- related responses that are time-locked and phase-locked to the stimulus.）
目前来说，脑电的设备有很多，比如我当前使用最多的Brain Products产品以及当前一些主流的设备EB neuro、neuroscan、EGI、biosemi、ant等等。对于设备来说，是我们采集数据质量好坏的重要手段。使用良好的设备操作是我们采集到数据必备的阶段，关于设备的操作的一些细节问题也是会在后面的推送中提到。除开设备的操作，我更推荐的是你要明白你想要做的研究理论是什么，所以，在这里我推荐两本做ERP实验通常会见到的书籍《事件相关电位基础》 by Steven Luck 和 《事件相关电位原理与技术》 by 魏景汉 罗跃嘉，我个人比较倾向于将Luck的书籍研究透。当然，关于脑电的知识部分，我在后面的推送中也会慢慢的介绍到。
### 近红外脑成像
NIRS是一种使用光谱法测量大脑神经活动水平的神经成像方法。近红外光谱技术以生物组织光学特性为基础，结合光在组织中的传播规律，研究光在组织中历经一系列吸收、散射后出射光携带的与组织光学特性相关的生化信息。主要检测的生理参数：组织中吸收色团（如HbO2、Hb、totalHb等）浓度变化。简而言之，就是看打进去的近红外光子强度和探测出来的光子强度来推算大脑的激活情况。 目前来说，近红外的设备也有很多。我使用最多的是NIRX设备，这款设备是采用的连续波长测量的组织中血红蛋白相对浓度的变化。关于近红外的基础推荐阅读：近红外脑功能成像基础 近红外设备来说相对脑电更加容易上手一些，也更加方便一些，近红外设备相对脑电设备比较大的优势在于——受运行带来的影响较小一些，更加便携。在后期的推送中，我也会向大家介绍近红外能做的领域，非常之广泛。
### 事后分析
数据的分析也是非常重要。首先你要明白你的idea是什么，你预期得到什么样的结果。我在跟很多老师和学生聊天时，他们经常说，我需要的是分析软件能提供的数据分析是哪些，我想这应该是反过来，研究者需要什么样的分析就去做，不用管软件能不能做到。现在你拿到了采集的原始数据，想做什么就去实现就好了，第三方软件matlab、python、R、C、C++等编程软件能做的东西超乎想象。涉及到具体的实验分析，也需要根据前人的文献基础来做。具体的分析部分在后期的推送中会慢慢介绍，当然我个人主要推送的是关于脑电实验以及近红外实验的数据分析，其它的统计分析也会有涉及。
#### **谢谢大家观看，如有帮助，来个喜欢或者关注吧！**
本文作者：Chen Rui
星球地址 ：[知识星球](https://t.zsxq.com/W5M3F)[Blog ](https://t.zsxq.com/W5M3F)
知乎地址 : [知乎专栏](https://www.zhihu.com/people/braintechnology)
B站地址 : [B站主页]()
公众号：大脑技术\
CSDN地址 : [csdn主页](https://blog.csdn.net/craig_cc)
# 多模态设备如何同步？
本文首发在个人博客上（[**7988888.xyz**](https://7988888.xyz/)），此文章中所有链接均通过博客进行访问。
在我的知识矩阵的平台上已经有大量的学习脑电、近红外以及眼动仪设备的相关资料，可以参考我最近刚整理的一篇微信文章[ BrainTechnology公众号目录【2021年3月】](http://mp.weixin.qq.com/s?__biz=MzIyNTYyNzk0Mg==\&mid=2247486380\&idx=1\&sn=dff470dbf84087a338cfd8fab826e1df\&chksm=e87d91e5df0a18f323bce07e94776da23f076a39c6961e6e93c1b4359680c3d704b36ecb8851#rd)，基本上包含了我建立公众号以来的大多数文章了。
这几天也是在工作之余，在读一本书——胡理、张治国老师主编的《脑电信号处理与特征处理》，读这本书来说的整体感觉的是对初进入脑电技术的小伙伴们来说比较友好，因为它汇总的内容还是比较偏向基础的，我拿到手后，只用了2个小时就把他翻阅完了，这本书的内容大部分内容在我的个人博客和公众号上都可以找到相关内容，没有涉及可能也就是机器学习和深度学习了。这本书的价格比较不亲民，相对来说比较贵，不是必需的，我个人还是建议看网上教程就好了。
好了，叨叨话就说这么多了，今天我们来谈谈最近有人问到我的一个话题——多模态设备间如何同步？其实这部分内容，我在之前的文章中也谈到过，是针对具体设备的，可以参考《 [眼动技术和脑电/近红外技术的联合使用](http://mp.weixin.qq.com/s?__biz=MzIyNTYyNzk0Mg==\&mid=2247484841\&idx=1\&sn=4d6e27cbc42788d941a216aab988509b\&chksm=e87d9fe0df0a16f6ab9741cb0c570461018c76b98f56248d89c3b69412a3b1fba43d99fe1bad#rd)》以及《[ 脑电分析仪与近红外脑成像仪的设备联合使用](http://mp.weixin.qq.com/s?__biz=MzIyNTYyNzk0Mg==\&mid=2247484050\&idx=1\&sn=fdede4a8d8f120753aac1d2801108c65\&chksm=e87d98dbdf0a11cda0381b500d908b0043ec580836ad897e7c87be7f7b648951a523849e03b3#rd)》
当我们采用涉及多种设备记录的多模态时，首先要解决的问题之一是：如何同步各种信号？原因的造成是研究人员使用了多种不同的操作系统和设备，这些操作系统和设备来自多个不同的设备厂家，或者由研究人员自己开发，所以这始终是要解决的第一个问题。在这篇文章中，我将解释为什么同步如此重要，以及如何实现同步记录的方法？
### 为什么研究时我需要与其它设备进行同步？
很大的原因在于你的实验目的或者是实验设计决定的，单一的实验技术在目前的实验研究中很难有比较高的影响因子，因此多模态的实验研究才显得更新颖，更突出亮点。然后，说道具体的实验问题是如何同步不同的数据流，例如：眼动+脑电；眼动+近红外；脑电+近红外甚至是 眼动+脑电+近红外技术。不管是哪种组合，同步数据流是最重要也是不可避免的问题之一，除了同步数据流之外，还有一个重要的刺激事件marker也是非常关键的，这就涉及到事件时间戳对齐的问题。
### 事件时间戳为何如此重要？
如果触发事件的时间戳未能确保正确同步，得到的结果可能会完全没有用，可以参考文章《[ ERP实验中时间延迟的问题](http://mp.weixin.qq.com/s?__biz=MzIyNTYyNzk0Mg==\&mid=2247484668\&idx=1\&sn=d338fc9adb71723b9ad0e04c1a7a89d4\&chksm=e87d9eb5df0a17a315642ba4bdc5ee6510ef99b7c3051c8d5e17b6c193c75aa45f9522ff47cd#rd)》，在这篇文章中，我讲到事件时间戳的问题，它同样适用于同步多模态 的实验。因为，我们在做ERP（事件相关电位）时，非常依赖触发事件的准确性。我们熟悉的ERP成分，如果看到下图中的发生触发的marker产生jitter，那么很不幸的无论如何也得不到很好的结果的。
### 如何进行同步信号的触发？
在这里，我列举一些我常见到的设备，可以参考我的个人[**学术导航**](https://7988888.xyz/daohang/)查看他们的官网。
主要有两种方法来确保两个设备之间以及刺激表示之间的正确同步：1） **基于硬件**；2） **基于软件**。
1） **基于硬件**
1.1 TTL同步
基本上所有的设备发送trigger均可以通过并口端口进行，因此使用并口端口将是万能的全能解题方法之一。
对于并口应用于认知神经科学的介绍和笔记本的解决办法，我很推荐安公子写的这篇文章[**《现有电脑扩展串口和并口的问题》**](https://zhuanlan.zhihu.com/p/32893556)。
另外，我们也来谈谈并口的针脚问题。
现在所有的接头都可以分为公头和母头两大类。
公头：泛指所有针式的接头。
母头：泛指所有插槽式的接头。
所有接头的针脚有统一规定，在接头上都印好了的，连接时要注意查看。针对，每个设备型号的设备一般情况下使用手册里都能找得到，只怕你不认识它而已，所以，当你不清楚的时候，就去问厂家的技术人员吧。
并口也叫LPT端口，在这里我将列出最常见的针脚定义。
如图中所示，针脚2-9才是用来传输电平信号的，它的组合方式即为2的0次幂到7次幂，当全部使用时，即可产生256个数字，一般情况下针脚25是用来接地的。所以只需要做到刺激显示电脑的一端使用的是25针的并口一分为二，两路trigger信号分别供应两个不同的设备即可达到同步触发。
1.2 并口+网口
在某些设备中，已经有设备使用了网口进行trigger的触发，那么在现有的条件下，我们就可以使用同一台刺激电脑同时发送两个不同的信号分别给两个设备，可以参考文章：[ 眼动技术和脑电/近红外技术的联合使用](http://mp.weixin.qq.com/s?__biz=MzIyNTYyNzk0Mg==\&mid=2247484841\&idx=1\&sn=4d6e27cbc42788d941a216aab988509b\&chksm=e87d9fe0df0a16f6ab9741cb0c570461018c76b98f56248d89c3b69412a3b1fba43d99fe1bad\&token=701567249\&lang=zh_CN#rd)
2） **基于软件**（Lab Streaming Layer）
对于LSL的介绍，可以参考文章《[ Lab Streaming Layer 数据流简介](http://mp.weixin.qq.com/s?__biz=MzIyNTYyNzk0Mg==\&mid=2247485022\&idx=1\&sn=6ea331a7ea1b65d8c5b0c2716d63146d\&chksm=e87d9c17df0a1501506ee86642520073f16cbf83d6f84b9509468d3aad23a28b13a928006b26\&token=701567249\&lang=zh_CN#rd)》
TCP / IP同步
使用通用的TCP / IP协议来完成。这个过程是在两个需要同步的系统之间创建一个TCP / IP连接（俗称局域网），并使用预定义的协议来标记事件。例如，在刺激软件和记录软件之间使用TCP / IP连接将使我们能够将事件从一个发送到另一个，以标记信号收集。TCP / IP在配置类型和可以交换的信息方面非常灵活。我们可以将其中刺激软件的电脑用作服务器，而其它软件则可以作为客户端。一旦建立连接，就可以通过特定的IP地址将消息标记从服务器发送到客户端。这些消息可以是软件预定义的，也可以是研究人员配置应记录哪些信息来进行自定义。这里所使用的软件就可以是我们常见的MATLAB、psychopy、presentation等刺激软件，通过LSL进行发送数据流标记。
目前来说，我所知的多模态的操作方法如上，在最后，有人还会问到超扫描的设备如何设置，它其实等同于多模态，只不过是使用了相同的设备型号罢了。
对于脑电的超扫描，可以大脑技术上的相关文章，更多内容可加入知识星球
以及一篇文章中所提到的设置方法：Barraza, P. , Dumas, G. , Liu, H. , Blanco-Gomez, G. , & AP Fernández. (2019). Implementing eeg hyperscanning setups. MethodsX, 6, 428-436.
对于近红外的超扫描，可以参考文章[fNIRS超扫描的主要测量方法是什么？](https://mp.weixin.qq.com/s/lhazg4iAPsM4nu8cjfq2xg)
## 谢谢大家观看，如有帮助，来个喜欢或者关注吧！
本文作者：Chen Rui
星球地址 ：[知识星球](https://t.zsxq.com/W5M3F)[Blog ](https://t.zsxq.com/W5M3F)
知乎地址 : [知乎专栏](https://www.zhihu.com/people/braintechnology)
B站地址 : [B站主页]()
公众号：大脑技术\
CSDN地址 : [csdn主页](https://blog.csdn.net/craig_cc)
# 数据集搜索库
## 前序
在前一段时间，我一直致力于近红外分析软件Homer2的撰写，发现很多设备的数据格式是不统一的，需要转换格式。但是苦于我无法通过设备厂商获取数据，于是尝试在网络上搜索公共数据集，同时也发现在GitHub上有国外学者详细阐述了EEG datasets的集合，这些年来，公共数据集变得越来越重要，一是可以拿来做练习数据使用，二是可以被很多研究机构进行更深度的数据挖掘统计数据等。今天我们也来谈谈搜索公共数据集的几种方法。
## 脑电数据集
可查看网址：
### Google Dataset Search
[Google Dataset Search](https://datasetsearch.research.google.com/)
输入关键词“fNIRS”,就可以弹出很多文章中的公共数据集。 
Google Dataset Search专注于统计数据和基于数据的网站，这就意味着这些数据是可靠的。
### Datasets Search Engine
[Datasets Search Engine](http://datasets.schema-labs.appspot.com/)
非常简洁的数据集搜索工具，输入关键词“fNIRS”不仅可以有数据集的网页还会存在相关关键词的网页。
### openscience
[OSF](https://osf.io/)
OSF是一个免费的开放平台，可支持您的研究并实现合作。 输入关键词“fNIRS”即可查看到搜索，点击file即可获取数据集
### openneuro
[Openneuro](https://openneuro.org/)
这是一个开源免费的搜索MEG，EEG，iEEG和ECoG数据集的网站。 输入关键词“EEG”即可搜索相关的数据集。
### Dimensions网站
[Dimensions网站](https://app.dimensions.ai/discover/data_set?search_text=fnirs\&search_type=kws\&search_field=full_search)
### SPM网站
[SPM网站](https://www.fil.ion.ucl.ac.uk/spm/data/mmfaces/)
SPM网站上有现成的数据集。
#### **谢谢大家观看，如有帮助，来个喜欢或者关注吧！**
本文作者：Chen Rui
星球地址 ：[知识星球](https://t.zsxq.com/W5M3F)[Blog ](https://t.zsxq.com/W5M3F)
知乎地址 : [知乎专栏](https://www.zhihu.com/people/braintechnology)
B站地址 : [B站主页]()
公众号：大脑技术\
CSDN地址 : [csdn主页](https://blog.csdn.net/craig_cc)
# EEG信号采集、处理和分析的基本知识
一、数据采集中的预准备
**在数据采集开始前，预准备测试是必不可少的。**在我们采集EEG信号时，我们不希望失去任何一个受试者的实验数据，所以在开始实验前，一定要确保实验能运行正常。我们可以从以下几个问题着手：
1.实验设计的呈现刺激顺序是否按照所依据的实验材料正常运行？
2.在开始实验前，确保实验设备运行正常（键盘、鼠标、放大器等）
3.实验设计的指导语能否让受试者理解？
4.EEG信号的采集软件是否收到marker信号？
二、数据采集中的质量控制
**没有可替代的干净数据，这是毋庸置疑的。**在数据采集时，想要完全采集到受试者的头皮表面的EEG信号，这是很困难的。即使现在的EEG算法有很多很高级的，但依然无法真实的还原EEG信号，所以尽可能的正确的采集数据才是最重要的。以下几个问题是你需要注意的。
1.阻抗的设置？
降阻抗过程，这是做EEG实验最麻烦但是确是最能影响数据的一步。常见的将阻抗范围在10K欧姆以下，更精确的实验会要求阻抗在5K欧姆以下，当然这是依照不同的实验决定的。像还有一些BCI的实验可能只需要20k欧姆以下就可以了的。\*\*\*温馨小提示：降阻抗过程，除了实验前洗头外，在打导电膏前可以先使用磨砂膏去头皮。当然好的导电膏也是快速降阻抗的关键。
2.实验室环境的温度、灯光以及噪声等外界干扰是否得到控制？在此特别说明一下，为什么实验室的温度、灯光以及噪声会影响EEG信号，尽管这些是很微不足道的小问题，但这确实会影响到数据的质量，比如：不合适的灯光会造成受试者的眼睛在测试实验时眯着眼做实验；外界噪声的干扰会影响受试者做实验的情绪。
三、干扰伪迹的剔除
**数据采集时，伪迹是一定会存在的。**伪迹无时无刻伴随着EEG信号的采集，伪迹的来源有多种多样，这里可以参考之前的推文[**《EEG信号伪迹来源及可能原因分析》**](http://mp.weixin.qq.com/s?__biz=MzIyNTYyNzk0Mg==\&mid=2247484119\&idx=1\&sn=61b9dff12b117eb21ff3cb95a270d1d6\&chksm=e87d989edf0a11886d95f7c2f51a0984ffbd704a43b7503e770bab49433db91cfc5910b91c9e\&scene=21#wechat_redirect)**以及**[**《脑电分析之伪迹去除（以analyzer和curry为例）》**](http://mp.weixin.qq.com/s?__biz=MzIyNTYyNzk0Mg==\&mid=2247484157\&idx=1\&sn=f21b5964584c0f068ab177015a3b6d8b\&chksm=e87d98b4df0a11a2a29885284a4b6f22dd1de162af567ac1e2a88077decf37d39dd5e2117b0d\&scene=21#wechat_redirect)
四、处理数据的步骤
**所有信号处理技术在一定程度上改变了数据。**在EEG信号数据分析中会涉及到很多处理步骤，直到现在也没用一个标准化的处理步骤。在很早之前小编也推送过处理数据的步骤，可参看《脑电分析之线性与非线性变换》，当然，这些步骤只是你处理数据的参考价值，当你对使用何种处理方法犹豫不决时，尽可能的查阅相关研究的文献，这才是你的依据所在。
五、寻找正确的统计数据
**合理的统计方法将有助你的数据结果。**在设计和分析实验数据时，始终建议你有一个预期的理论来分析你的数据，前人的实验文献材料以及报告结果将更有助你的实验结果分析。当然，如果你打算调查事件相关电位（ERPs），你可能需要仔细研究某些电极位置的ERP波形中峰值的潜伏期和幅度。相比之下，如果您对基于频率的测量（如θ，α，β波段的功率谱）感兴趣，你可以专注于检测感兴趣波段内的峰值频率。（FFT，CW等）。在统计学方面，更常见到的是t检验和ANOVA检验。
在文章的最后，多说一点。
**数据方法千万条，正确采集第一条，采集信号不规范，事后处理泪两行。**
####
#### **谢谢大家观看，如有帮助，来个喜欢或者关注吧！**
本文作者：Chen Rui
星球地址 ：[知识星球](https://t.zsxq.com/W5M3F)[Blog ](https://t.zsxq.com/W5M3F)
知乎地址 : [知乎专栏](https://www.zhihu.com/people/braintechnology)
B站地址 : [B站主页]()
公众号：大脑技术\
CSDN地址 : [csdn主页](https://blog.csdn.net/craig_cc)
# EEG/ERP简介及实验设计
本文首发在个人博客上（[**7988888.xyz**](https://7988888.xyz/)），此文章中所有链接均通过博客进行访问。
## 谢谢大家观看，如有帮助，来个喜欢或者关注吧！
本文作者：Chen Rui
星球地址 ：[知识星球](https://t.zsxq.com/W5M3F)[Blog ](https://t.zsxq.com/W5M3F)
知乎地址 : [知乎专栏](https://www.zhihu.com/people/braintechnology)
B站地址 : [B站主页]()
公众号：大脑技术\
CSDN地址 : [csdn主页](https://blog.csdn.net/craig_cc)
# 脑电分析之线性与非线性变换
在我们做数据分析时，总会按照分析步骤来，为什么会这样呢？这是因为在做数据分析时，不可避免的使用了数学公式的变换来处理采集的数据。那当我们在进行数学公式变换时，一定会涉及一些线性变换或者一些非线性变换，这就是决定了我们分析的步骤，在开始说ERP的分析步骤前，我们先来谈谈线性和非线性运算的定义以及ERP分析步骤中哪些是线性运算，哪些是非线性运算。
### 线性运算
线性运算：线性linear，指量与量之间按比例、成直线的关系，在空间和时间上代表规则和光滑的运动，在数学上可以理解为一阶导数为常数的函数（摘自百科），简单点来说，就是只将数据进行加减的运算就属于线性运算，数学表达式Y = aX + b，可以联想到我们在处理脑电数据时，re-reference、average、Difference Waves、Baseline Correction均是属于线性运算。
re-reference（重参考）：我们在采集脑电数据时，可以以大脑头上任意一点为在线参考点，具体原因可参见《脑电分析之参考电极变换》 ，在后期分析中，建立新参考，不论是以双侧乳突、鼻尖还是以全脑平均均是电极间的相减。所以这个过程是线性运算的。
average（平均叠加）：这是将分段后的数据采样点进行相加。
Difference Waves（差异波）：差异波的生成，则是将两种波形相减得出来的新波形。
Baseline Correction（基线校正）：这个过程是，首先我们计算出基线周期的平均点，然后波形上的点减去这个平均点得出来的波形，这个基线的问题可参考王一峰老师写的《精华帖 | ERP基线校正》
### 非线性运算
非线性运算：非线性non-linear则指不按比例、不成直线的关系，代表不规则的运动和突变，一阶导数不为常数（摘自百科）。简单点来说，就是数据不能用线性方程表达的，如果操作涉及到与阈值关系，那就肯定不是线性的。在脑电数据分析中，眼电的纠正、伪迹去除以及滤波均是非线性运算。
眼电纠正：现在比较常规的纠正方法均是采用ICA（独立成分分析）的算法进行纠正，ICA的这种方法就是提取眼电的成分进行数据的纠正，ICA算法是将多种混杂的信号提取成单一独立有效的信号，这肯定是非线性的变换过程。
Artifact Rejection（伪迹去除）：在做脑电实验时，不可避免的会有一些干扰信号进来，这在后期分析中，是肯定要去除的。在去除的标准中，通常的做法是设定标准阈值，超过这个阈值的就将剔除。
Filter（滤波）：在进行滤波时，有两种滤波方式infinite impulse response filter（IIR filter ）和finite impulse response filters（FIR filter ），这两种方式均可以使用，但是是有误差的。我个人常使用的是IIR filter无限时长滤波器，采用的斜率是24db/oct。这只作为参考，不是绝对的。
对于以上的线性与非线性运算，我们就应该知道了。对于线性运算不管是先做还是后做，是不会影响到我们的实验的，但是对于非线性运算，这是会改变数据的结果的。所以分析脑电数据来说，是有顺序的。
### 分析步骤
我将脑电大佬LUCK的分析步骤也献给大家，供大家参考。
LUCK分析步骤：
1、High-pass filter the data to remove slow drifts，In rare cases, you may also want to apply a mild low-pass filter at this stage
2、Perform artifact correction
3、Re-reference the data,
4、Epoch the continuous data to create single-trial EEG segments
5、Perform artifact rejection.
6、Average the single-trial EEG epochs to create single-subject averaged ERP waveforms.
### 最后
我们在处理哪种类型的数据时，要明白所做的操作会对数据的结果会产生多大的影响，就数据本身来说，非线性的运算尽量在线性运算之前较好。学习是一个循序渐进的过程，积累是一个缓慢的过程，但这个过程也是最有趣的，最赋有乐趣的过程。
#### **谢谢大家观看，如有帮助，来个喜欢或者关注吧！**
本文作者：Chen Rui
星球地址 ：[知识星球](https://t.zsxq.com/W5M3F)[Blog ](https://t.zsxq.com/W5M3F)
知乎地址 : [知乎专栏](https://www.zhihu.com/people/braintechnology)
B站地址 : [B站主页]()
公众号：大脑技术\
CSDN地址 : [csdn主页](https://blog.csdn.net/craig_cc)
# 脑电分析之参考电极选择
将参考电极放在什么位置，才能将才考电极的活性降到最低，获得最真实的基线（近似于零电位的）信号呢？
一般情况下，参考电极的选择可以是双侧乳突（连线）平均、耳垂（连线）平均、前额中心电极、鼻尖、下颚、非头部的胸椎、踝关节和膝盖等等，也可以将所有头皮脑电极位置记录的电压的平均值作为参考，即平均参考（average reference）。虽然对参考电极位置的争论是纯方法学的，但它也具有非常重要的理论意义。实际上，由于不同的参考位置会对数据记录产生不同的影响，在同一实验程序采用不同的参考位置将会产生不同的实验结果。以鼻尖参考得到的面孔刺激诱发的颞枕区分布的N170显著高于双侧乳突平均参考的N170，而（Vertex Positive Potential，VPP）则表现为后者更为显著。由于高级视觉加工（如面孔）往往在枕—颞皮层，以鼻尖作为参考电极比乳突更有利于观察该区域的认知加工机制。
基于对参考电极的位置、方向与偶极子发生器位置之间的复杂关系及电信号通过头骨的传播特性的考虑，Katznelson（1981）认为解决参考电极的最好方式就是对所报告的每一组数据都使用两种或两种以上的参考电极模式，并从中确定结果上的相同点，然后进行分析，得出相对可靠的结论。但是，这种方法并未得到广泛使用。
目前，较为常用的头部参考是耳垂或双侧乳头的连线或平均及全脑平均，相对较少使用的是鼻尖和下颚参考。
耳垂或乳突的连线或平均作为参考是将两个电极的连线或平均作为一个参考信号，这种方法在EEG/ERP的研究中（尤其是视觉和听觉诱发电位的研究）被广泛地使用。在这一方法中，耳垂或乳突电极的放置位置相同，即每个参考电极都放置于一侧耳垂或耳后的乳突上。然而，在信号放大之前将两个电极连线接在一起，理论上是强行将两个信号相等对待。这一缺陷将会产生一个低电阻通道，使得整个头皮的电压分布得到改变。因为如果两个电极的电阻不相同，电流将更易流向其中一方，并将有效的参考位置转移向电阻更低的位置，因此影响有效的分布并改变了对称性。实际上，因为皮肤阻抗明显高于大脑阻抗，这种影响并不严重。
相比较而言，选取两个电极信号的平均数，被认为是比连线法更好的方法，它可避免分布失真。但是，耳垂/乳突平均参考也有其自身缺陷。Goldman (1950) and Katznelson(1981) 研究发现，耳垂/乳突平均参考将临近脑区的活动作为了基线。由于耳垂/乳突参考临近颞枕部发生器，所以会对以研究该部位临近区域为目的的某些特定实验产生影响，如对高级视觉加工的研究中，大量的发生器被定位于颞枕皮层。当然，在不同的实验设计中，耳垂/乳突参考是积极有效的。耳垂参考在视觉任务中视觉诱发电位、听觉诱发电位、体感诱发电位上显示出了重要的意义。同样，乳突参考在听觉诱发电位和体感诱发电位上也是积极有效的。但是，乳突/耳垂平均并不是评估半球形差异的最好选择，因为它可能降低半球形差异。
标准平均参考近年来被推荐作为进行头皮电生理研究的指导方针。它是将头皮记录的所有脑电电极信号进行平均作为参考电极，其理论依据是头皮平均数是一个恒常数“零”。但是，无论多精确的平均参考也只是一个理论上接近的零点，且依赖于传感器的数量和位置。从前额或前部信号取得精确的采样是相对困难的，因为大脑并不是一个真正的球体，所以在大脑上的电极排列也并不能像在球体上一样完全合适。因此，任何平均都必然更有利于中央和后部、侧部和背部位置。此外，相对较少的电极信号参与平均将对平均后的电信号产生更大影响，同时也影响了参考电极与头皮其他电极之间的相位和振幅关系，使得对已记录数据的空间特性的解释变得困难。该影响可通过增加足够大的电极采样来改善，如至少20个电极。另有研究者对平均参考提出批评，因为平均参考法可能会产生“ghost potentials”（Desmedt et al., 1990）。事实上，真正意义上的中性电位点的缺乏同样表现在其他参考电极中，但这对平均参考的影响在电极排列疏松并集中在某些孤立区域时尤其显著。
其他头部参考的使用相对较少，且实验环境需要得到一定的控制，如鼻尖记录可以更好地显示AEP活动以及MMN的研究，而下额参考在视觉任务中被认为是可行的。然而，这些参考类型都是邻近颅骨通路的（口、喉咙、眼窝、鼻窦），在使用时需要注意，因为所产生的低阻抗通路将对电信号的分布特征产生潜在影响。
总之，没有对所有实验环境都适用的完美的参考电极位置。因为不同的实验室偏爱不同的参考电极位置，且相关的神经系统发生器的位置也仍旧未知，所以了解如何选择参考电极位置及不同的参考会对数据产生何种影响是非常重要的，其核心在于了解如何根据所选的不同的参考位置来解释数据结果。
## 参考点和接地点
我们所知道，目前，我们所探测的脑电信号是由我们人体自发脑电产生的，所以要记录下来，那就是测量我们头皮上的电压。（电压是推动电荷定向移动形成电流的原因。电流之所以能够在导线中流动，也是因为在电流中有着高电势和低电势之间的差别。这种差别叫电势差，也叫电压。换句话说。在电路中，任意两点之间的电位差称为这两点的电压。通常用字母V代表电压。—摘自百度），通过上面的释义，我们就能知道要记录到我们头皮上的电压，除了贴在大脑部位的单个电极外，就应该还有一个参考电极。在我们日常的电子电路中，我们通常会选择大地作为参考，所以，它记录的电压就是其两者的电压差。当然，在我们的脑电设备中也可以以大地作为参考点，但是，这样记录下来的脑电信号则是由我们的头皮上信号和大地的差值，这里面就记录到了由我们身体的其它部位产生的电位信号，这样一来就不能说是测量的大脑产生的电压信号，更严重的接上市电的设备，因为与大地相连，还有可能产生触电的危险，所以为了避免上述情况，市场上厂商就在放大器电路上建立了一个虚拟地电极，但是建立的虚拟地电极也不是绝对的零电位点，在测量信号时，这个虚拟的地电极也会产生信号，这个信号就是影响到测量的数据。所以为了更精确采集到数据，于是就引用的另一个电极做为参考点。所以，现在市场上的脑电放大器均是采用的差动放大器。不知道你有没有明白，我们就通过数学公式进行线性的变换就知道，假设GND的电压A，ref的电压B，单个电极的电压C，所以我们在记录的数据就应该是，（C-A）-（B-A）= C-B ，所以我们其实记录的数据时测量的单个电极与参考电极的差值。这样我们就消除了GND电极带来的信号干扰。所以目前说的最多的就是ref参考点的选取。在不同实验中，参考点ref的选取位置也是会对你的实验有一定的影响。 
## BP脑电系统参考电极的转换
现有电极帽都是以头顶或鼻尖做为参考电极，而实际分析ERP波形时，大部分都是根据双侧乳突TP9,TP10（BP的电极帽TP9相当于A1，TP10相当A2）作为参考电极，所以根据实际需要进行更换参考电极。
在“Transformations”下拉菜单“Channel Preprocessing” 中选择“New Reference”，按以下弹出窗口操作：
若选择复选框，则会将原始参考电极一起做平均，一般为不选。 
选择要做重参考的电极，若选择复选框，将保留没有做参考的电极点。 
提示是否进行新命名，一般不进行，最后点击完成。 
### Neuroscan中curry软件
### eeglab分析软件重参考
在eeglab分析软件中，也是同样操作方便。首先打开eeglab，导入数据，导入channel locations，然后在Tools下拉菜单中选择Re-reference，就会弹出界面
#### **谢谢大家观看，如有帮助，来个喜欢或者关注吧！**
本文作者：Chen Rui
星球地址 ：[知识星球](https://t.zsxq.com/W5M3F)[Blog ](https://t.zsxq.com/W5M3F)
知乎地址 : [知乎专栏](https://www.zhihu.com/people/braintechnology)
B站地址 : [B站主页]()
公众号：大脑技术\
CSDN地址 : [csdn主页](https://blog.csdn.net/craig_cc)
# 脑电分析之重参考
本文首发在个人博客上（[**7988888.xyz**](https://7988888.xyz/)），此文章中所有链接均通过博客进行访问。
写脑电教程的系列文章，我写的比较多了，也谈了很多，可以参考我制作的gitbook网址，，
我在之前的文章中也多次谈到了参考点电极的问题，可以参见以前的文章《[脑电参考电极选择与转换》](https://link.zhihu.com/?target=https%3A//mp.weixin.qq.com/s/9__jqhgE7Gh1KlbInhKiFg)、《[脑电分析之参考电极变换](https://link.zhihu.com/?target=https%3A//mp.weixin.qq.com/s/6GlDqew9KT--i9vzTTzq6g)》以及[《EEG参考点之平均参考》](https://zhuanlan.zhihu.com/p/67481145)，虽然谈了那么多，但是脑电技术的方法真的是多种多样，丰富多彩，所以说学好脑电技术并没有绝对标准，深刻的理解它才是掌握的绝佳窍门。
今天，我们要谈到的是也是脑电数据预处理过程，一个操作非常简单，但是理论是非常重要的步骤——脑电的参考电极。合理的参考方法也是对后续结果解释的一大重要原因。
### **参考电极标准化技术（Reference Electrode Standardization Technique，REST）**
我们所熟知的脑电参考是去找我们头部或者是身体表面的中性电极点或者是真实的电位零点，但是这样的电极基本上是不可能有的，而我们所采集下来的电信号，它其实是电压（电势差）信号，最基本的形成就一定是两个电极信号的差值，那么在确定参考电极时，不影响原有电极信号的值那么就是越好的。传统上的手段是找相应的电位零点，比如双侧乳突，鼻尖等；还有一种的高密度导联会做的方法是使用平均参考（理论情况下球体相加为零）。
国内尧德中在2001年就提出了REST零参考技术，在其官网这样介绍到REST技术：
参考官网：
REST是一种重新参考技术，是一种软件方法，用于将多通道自发脑电图或事件相关电位在大脑/身体表面的任何一个物理点上的参考，或在平均值或连接的耳朵上的后处理数据等转换成一个新的数据集，其中电位为零/恒定。——翻译可能略有错误，仅供参考
REST (Reference Electrode Standardization Technique) is a re-reference technique, a software method for translating multichannel spontaneous EEG or event-related potentials with reference at any a physical point on brain/body surface or the post-processed data referenced at average or linked ears etc to a new dataset with reference at Infinity where the potential is zero/constant.
——来自百度百科，仅供参考
在上图中的第二段已经介绍了其转换公式。
任何参考下的头表信号Vr都是脑颅内源X产生的，重建等效源X即可重建头表信号V0
——图来自CSDN网络：
劣势在于头模型的选择，因为它使用到了源X的活动信号，那么容积传导问题就是非常重要的过程，合适的头模型将对该方法是非常重要的。
[](https://7988888.xyz/about/) [](https://mp.weixin.qq.com/s/e62b5FVwjZdRCgTmBh3xug) [](https://space.bilibili.com/328549846) [](https://www.zhihu.com/people/braintechnology) [](https://blog.csdn.net/craig_cc?spm=1010.2135.3001.5343)
## 谢谢大家观看，如有帮助，来个喜欢或者关注吧！
本文作者：Chen Rui
星球地址 ：[知识星球](https://t.zsxq.com/W5M3F)[Blog ](https://t.zsxq.com/W5M3F)
知乎地址 : [知乎专栏](https://www.zhihu.com/people/braintechnology)
B站地址 : [B站主页]()
公众号：大脑技术\
CSDN地址 : [csdn主页](https://blog.csdn.net/craig_cc)
# 脑电分析之滤波
首先请大家注意，滤波的处理在这篇文章中并不能完全的阐述完整，因为滤波器的涉及面真的是很广很大。在这篇文章中，主要阐述滤波的功能、IIR滤波器以及FIR滤波器的功能及在Analyzer和eeglab中的使用。
在脑电图（EEG）和脑磁图（MEG）甚至于在所有的神经生理信号中，在数据预处理过程中，滤波是必不可少的一步，滤波在这里面最大的功能有两点：1.去噪声；2.选择特定频段观察信号。
不同类型的滤波器可用于多种应用，从在线到离线，从模拟到数字，以及从硬件到软件。在脑电中除了我们后期数据使用软件进行数字滤波外，在硬件设备中也存在模拟滤波，在我们采集M/EEG等神经生理信号时，放大器会对硬件上设置的模拟滤波器的高通和低通信号内的信号进行信号的放大，在硬件放大器上会有一个频带宽度，简称为“带宽”，有时称必要带宽，是传送模拟信号时的信号最高频率与最低频率之差，单位为赫兹。即为保证某种发射信息的速率和质量所需占用的频带宽度容许值。信号频带宽度的大小与允许误差的大小有关。通俗点讲带宽是指最低是多少，最高是多少，就取中间的值。关于脑电硬件参数的部分，可参考很早之前推送的文章，传送门[**《脑电设备的一些参数》**](http://mp.weixin.qq.com/s?__biz=MzIyNTYyNzk0Mg==\&mid=2247483762\&idx=1\&sn=75c00c978ddd85be6ab9a607e813ee15\&chksm=e87d9b3bdf0a122d015a178ab01ff8a97defff0d23aee8e96470ef6e6b1661b8da95709f6869\&scene=21#wechat_redirect)
**数字滤波器的概述**
所谓数字滤波器，是指输入输出均为数字信号，通过一定的运算关系，改变输入信号中所含频率成分的相对比例或者滤除某些频率成分。数字滤波器具有稳定性高、精度高、灵活性大等的突出优点。对于数字滤波器而言，这些滤波器应用在不同时间和频域尺度的神经生理信号等诸如感觉刺激或运动活动的补充信号，主要作用是衰减原始信号中的某些频率或频带。数学表达中，若系统函数为H(z),其脉冲响应为h(n),输入时间序列为x(n),则它们在时域内的关系式如下：
在Z域内，输入和输出存在如下关系：
式中，X(z)、Y(z)分别为x(n)和y(n)的Z变换。
在频域内，输入和输出则存在如下关系：
**在神经生理信号中，从时域特性上看**
数字滤波器还可以分为有限脉冲响应（FIR，Finite Impulse Response）数字滤波器和无限脉冲响应（IIR, Infinite Impulse Response）数字滤波器。
FIR（Finite Impulse Response）有限脉冲响应滤波器，其输出y(n)只取决于有限个过去和现在的输入，x(n),x(n-1),…,x(n-m),滤波器的输入输出关系可表示为
FIR滤波器的优劣势：
优点：
稳定
线性相位变化(linear phase shift)
劣势：
需要高阶数来满足滤波条件
计算效率低
IIR（Infinite Impulse Response）无限脉冲响应滤波器，其输出不仅取决于过去和现在的输入，而且还取决于过去的输出，其差分方程为
IIR滤波器的优劣势：
优点：
仅需要较低的阶段来满足滤波条件
计算效率较高
劣势：
不稳定
非线性的相位变化(non-linear phase shift)
滤波器的一些参数：
低通（low pass）：简单点的说就是低于设定的截止频率其信号进来，超过这个设定的信号则会被阻挡或者被衰减，通常也被称之为高切（high-cutoff）。这在脑电信号中是为了阻止高频信号（肌电或者其它噪声信号）的干扰，保证EEG信号中的快波不受影响。在脑电信号中通常设置的低通频率为30/40Hz来提取EEG信号的频段。
高通（high pass）：跟低通相对，高于设定的频率其信号进来，低于设定频率的信号会被阻挡，通常也被称之为低切（low-cutoff）。这里引用Luck的书中的一段话：“**高通滤波器通常用时间常数而不是半振幅截止频率来描述**。如果一个高通滤波器的输入是一个恒定电压，那么其输出电压的起始值是该输入电压，之后逐渐降低，而时间常数表示的就是输出电压的变化速率。输出电压以指数形式下降，其值不会真正下降到零。因此，时间常数表示的是输出电压下降到其起始值的l/e(37%)的时间。随着半振幅截止频率的提高，时间常数会变短。如果已知高通滤波器的半振幅截止频率为f(该频率下滤波器的输出减少了3dB), 那么时间常数 为1/(2πf）。”高通滤波的设置是保证EEG信号中慢波不受影响。在通常的设置在0.016Hz，如果想观察到更低频的信号，除了后期的滤波设置中，也需要考虑采集信号时的放大器的频带宽度。
带通（band pass）：这里设置的带宽主要是指我们想要观察的信号的带宽，最高频率与最低频率之差。选择合适的带通，是至关重要的。因为数字滤波是会使信号失真，设置不同的截止频率会对后期想要观察到的信号有极大的影响。这点可以参考已有的一些文献里的研究。
衰减程度：滤波器衰减由低到高为：12dB/oct；24dB/oct；48dB/oct；96dB/oct；在赵仑的书中有这样一段话来阐述这个概念：“数字滤波器在某一频段对信号的衰减很小，而其他频段衰减很大。 衰减小的频段称为通带，衰减大的频段称为阻带，通带和阻带之间的过渡区称为过渡带。 理想状况下，通带的衰减为0，阻带的衰减为无穷大，没有过渡带，但实际上这种陡峭的滤波特性是无法实现的。”所以，在这里会出现一个衰减程度的斜率来衰减信号。在众多的文献中经常选用的是24dB/oct，当然在赵仑老师的书中也是推荐使用24dB/oct。
在Brain products设备的分析软件Analyzer中通常使用的是IIR-Zero Phase Shift Butterworth 滤波器，在analyzer软件界面中transformation下来菜单中选择IIR filter会弹出如下界面：
设置好以上的高切、低切参数即可，这里主要说明一下order里面的2/4/8的含义。在经典的Butterworth滤波器中是会产生相位的偏移，为了达到零相位的偏移就采用了两级的正反向滤波（ two cascading filter ）来使其达到零相位偏移。在经典的Butterworth滤波器的阶段是1/2/4，其衰减的程度是3dB/oct，为了使其不发生零相位偏移，所以在这里就设置的2/4/8，对应的就是文献中经常看到的12/24/48 dB/oct。
在eeglab中为了不发生相位新的偏移，更常使用的FIR滤波器，在eeglab界面的tool里选择filter。如下界面：
同样的设置其对应的参数即可达到滤波的效果。
最后，写到这里还是重点的说一下，这篇文章并不能完全的解释滤波的全部知识。我想要完全的理解好滤波对信号数据的影响，这是需要一个经验的过程。一个滤波功能的参数设置是会影响到数据的结果，这在luck的文献中是有研究的。长路漫漫，数据处理总是让人很头疼的一件事，但快乐的喜悦总在雨后彩虹的出现中，明天就是国庆节了，提前祝大家国庆不受数据处理的困扰，放开心好好玩，外面的世界很美好，还有很多美妙的事情等着你的光临。
本文参考：
1、赵仑《ERPs实验教程 赵仑》
2、Luck《事件相关电位基础》
本文推荐一篇文献：**《Digital filter design for electrophysiological data – a practical approach》**
#### **谢谢大家观看，如有帮助，来个喜欢或者关注吧！**
本文作者：Chen Rui
星球地址 ：[知识星球](https://t.zsxq.com/W5M3F)[Blog ](https://t.zsxq.com/W5M3F)
知乎地址 : [知乎专栏](https://www.zhihu.com/people/braintechnology)
B站地址 : [B站主页]()
公众号：大脑技术\
CSDN地址 : [csdn主页](https://blog.csdn.net/craig_cc)
# 脑电分析之伪迹信号
目前，由于我们探索的基本上是头皮表面的EEG信号，EEG信号相对于其它的生理信号非常微弱，在微伏数量级。在测量时，不可避免的就会产生一些干扰而影响到采集的EEG信号。所以，在测量时，避免一些不必要的伪迹干扰则能极大的提高信噪比（SNR），对脑机接口（BCI）信号的准确性会有比较大的提升。在前面的一些推送脑电分析系列的教程中，我已经介绍了[**《脑电分析之重参考》**](http://mp.weixin.qq.com/s?__biz=MzIyNTYyNzk0Mg==\&mid=2247483999\&idx=1\&sn=6ad8a33d7416c96c76f3edb81e9e445f\&chksm=e87d9816df0a1100d28f8016260d9153f4d1b692a592881fae473779ae005e95c1e43934d485\&scene=21#wechat_redirect)以及[**《脑电分析之眼电去除》**](http://mp.weixin.qq.com/s?__biz=MzIyNTYyNzk0Mg==\&mid=2247484072\&idx=1\&sn=2cdcff4cc9a4e97bdf3412f061f52bfb\&chksm=e87d98e1df0a11f79ffb5ee67682ddfd7b8097ddc55ce7fc350bd28e8abae809ff52cc505e0b\&scene=21#wechat_redirect)，当然这是不够的，EEG信号的分析是一个非常复杂的过程。想要完全熟悉里面的知识就要先了解基础原理，今天就给大家介绍造成EEG信号的干扰伪迹及原因分析。
**什么是伪迹？**
电生理技术中，伪迹可以说是影响电生理信号的一些干扰信号，对分析正常信号带来了一些困难。在EEG信号中，常见的干扰有：眼电（EOG）干扰、肌电（EMG）干扰、心电（ECG）干扰、50Hz干扰以及一些高频信号干扰等。
**伪迹的来源**
EEG的信号非常的微弱，所以采集EEG信号的设备非常灵敏，避免一些不必要的伪迹干扰，对采集到的原始信号则更能反映大脑活动的变化。引起伪迹的来源有很多，主要归纳为两类：**1、受试者本身的干扰；2、设备的干扰**
**1、受试者本身的干扰：**
**1.1 眨眼和其它眼动**
眼电（EOG）主要是由眼球移动或眨眼造成，振幅大，主要表现在大脑前额部分较明显。
**1.2 心电伪迹**
心电（ECG）主要是由心脏跳动产生的干扰信号，通常在普通的EEG/ERP实验中，受到的干扰较小，所以一般没有做处理。但是在EEG-FMRI实验中，是使用单极导联记录心电信号，这是要处理心电信号中的R波带来的干扰。
**1.3 肌电伪迹**
肌电（EMG）信号主要是由头部、肢体、下巴、舌头微小蠕动以及吞咽等运动所产生的干扰信号。EMG信号的频率通常大于30Hz，这在采集信号时，就可以清楚的看出在波形上有很多毛刺信号，这类信号一般就可以认为是肌电伪迹。头部和面部产生的肌电信号主要发生在额或颞区；舌头蠕动或吞咽，肌电信号主要在颞区。产生肌电信号时，为了能实时的看清产生的脑电信号，可以使用低通滤波器把肌电伪迹实时去除，但是一般情况下的实验，我建议不要轻易的进行此操作。
**1.4 血管波伪迹**
这类伪迹信号，主要是电极埋在了血管附近，血管波信号是一类很有规律的信号，有点类似于心电信号的规律。就目前，我所见的到常发生的电极在额或颞区，主要的电极点FT7、FT8
**1.5 出汗伪迹**
这类伪迹主要是由于实验时，温度升高造成头皮出汗，记录的信号会发生慢漂移，这种信号是可以避免的。在合适的实验环境也是非常重要的一点。
**1.6 运动伪迹**
这类信号主要是由于受试者在实验中发生一些移动、头部或身体的一些晃动，这类信号也是可以避免的，在实验前指导语提示受试者在实验过程中尽量不要移动。
**2、设备的干扰**
**2.1 50Hz工频干扰**
50Hz信号主要的来源市电50Hz/60Hz交流电对设备的干扰，亦或者是地线接触不良造成的干扰。
**2.2 电极安放时接触不良**
这类干扰极有可能是在实验时，电极的移动造成阻抗的变化导致信号急剧发生偏转。
**2.3 设备间的电磁波干扰**
这类信号是由于EEG设备在工作时，周围有其它大功率的设备同时在工作产生的电磁波干扰。
#### **谢谢大家观看，如有帮助，来个喜欢或者关注吧！**
本文作者：Chen Rui
星球地址 ：[知识星球](https://t.zsxq.com/W5M3F)[Blog ](https://t.zsxq.com/W5M3F)
知乎地址 : [知乎专栏](https://www.zhihu.com/people/braintechnology)
B站地址 : [B站主页]()
公众号：大脑技术\
CSDN地址 : [csdn主页](https://blog.csdn.net/craig_cc)
# 脑电分析之独立成分分析（ICA）
对于一些研究人员来说，独立成分分析（ICA）在某种程度上可能仍然是难点。ICA算法可以改变数据并产生“更清晰”的信号源。在本文中，我将以BrainVision Analyzer 2中的ICA算法的理论背景，要求和算法以及ICA实现的进行讲解。当然，我们无法解决所有细节，但在本文的最后您肯定会对该方法有更深入的了解，并希望将ICA算法集合到您的数据处理中。
**理论背景**
在深入研究方法的复杂性之前，让我们考虑以下情况：一个音乐乐团在音乐会上演奏，你想尽可能产生较少的噪音来获取最干净的信号，但这是一项非常困难的事情。明智地，你在音乐厅，舞台和一排排座位上放置并牢固地安装了几个麦克风。此外，你可以安全地假设舞台上的所有演奏者在演唱会期间都是静止的（你不希望他们在演奏时站起来走动），每个乐器组都会播放他们自己的旋律。在一个激动人心的夜晚之后，每个麦克风都会捕获混合原始信号的录音，实际上您将拥有与麦克风一样多的信号混合。由于麦克风放置在音乐厅，混合信号在不同的麦克风上略有不同。现在你的最终目标是将混合信号分离提取或重建“纯信号”。虽然乐器组演奏的不同旋律当然应该保留，但是应该消除来自观众的声音噪音或者其它的一些环境噪声。
模型示意图：
该模型可以以简单的方式转移到EEG记录上，从脑电图电极记录的通道信号（由微伏振幅的时间序列表示）可以被认为是一组脑信号的混合信号，据推测这些混合信号通过皮层和皮质下区域中的神经元簇的同步产生，触发远场电位。虽然神经元本身局部是静止的并且不移动，但是激活模式基于体积传导的原理混合和合并，传播通过皮层，颅骨和组织的所有层，并且最终存在于任何头皮部位。同样，分析的理想结果是混合信号分离开逐步分析。
在示例中，目标是从记录的混合信号中提取统计上的“纯信号”，以便允许选择要保留的信号和丢弃信号。确切地说，这可以通过独立成分分析来完成（ICA; Makeig et al. 1996）。该技术已被公认为减轻伪影和分析头皮和颅内脑电图记录中统计独立皮质过程的有力工具。特别是在EEG数据记录使用有限的电极中，记录诸如眨眼或肌肉活动的伪迹时（例如在患者组，儿童或受试者自由移动的移动EEG实验中），ICA可能优于伪影阈值去伪。
**ICA使用要求：**
满足以下要求，ICA从信号混合信号中提取纯信号（详见 Jung et al. 1998）：
1.由ICA提取的纯信号的特征在于它们的时间过程（神经激活模式），其在统计上独立于任何其它信号。事实上，这些激活是独立的成分（IC）。
2.纯信号（神经元簇）的发生以及记录位置（电极）在整个记录过程中是静止的。因此，成分朝向记录位置的地形位置是固定的。
3.混合是线性的，传播延迟可以忽略不计。
4.各个IC激活的概率分布不是精确的高斯分布。
除此之外，ICA没有对数据提出任何进一步的要求。事实上，它完全不知道信号的性质，这就是为什么ICA通常被称为盲源分离算法（Hyvärinen and Oja 2000）。请记住，IC成分纯粹是统计属性，因此它们不会将1：1映射到生理过程。在EEG / MEG数据的背景下，可以基于它们的时间过程（和地形分布）来检查所提取的IC成分，并且可以去除表示噪声，伪迹或其它非大脑过程的IC。然后，校正的一组独立分量反向逆算，这就可以在电极上修改原始信号，将其中的伪迹信号进行校正。
**ICA的算法基础**
ICA的数学基础，其中包括矩阵运算。通常，我们从电极上记录的时间上的混合信号开始。电极数据可以表示为2-D矩阵，其中行表示通道，列表示采样点。矩阵中的值是每个通道和采样点的记录电压幅值。我们称这个矩阵为x。我们现在可以生成解混矩阵W（ICA矩阵），当与数据矩阵x相乘时，将混合数据x转换为IC激活a。
Wx = a
矩阵a的每一行代表一个成分，每列代表一个采样点。成分a的激活可以表征为加权通道激活的线性和。
图1：使用六个EEG通道进行ICA解混和反演的示意流程图，产生六个独立的成分，每个成分都具有特定的IC激活和地形
从矩阵表示可以看出，你可以随时提取最多与电极一样多的成分（Makeig等，1997），因为来自N的混合信号电极被分解成N个分量的线性加权和。因此，ICA可以表征为完整的分解技术。这意味着可以通过将IC激活矩阵a乘以逆矩阵来反演解混合处理。ICA的计算目标是找到一个解混矩阵W，以便实现所有成分的最大时间独立性 。事实上，找到W是计算中最耗时的部分，在BrainVision Analyzer中提供的ICA组件可进行数据的计算。
**Analyzer中实现ICA**
在进行ICA算法时，一般建议是在过滤数据后进行。在Ocular Correction ICA的组件中，Analyzer中已经列出了最佳数据预处理步骤和建议，以确定应该使用多少通道和采样点进行有效的ICA分解。这些数据点应标记为“错误间隔”，因为ICA忽略了标记为“错误间隔”的数据部分。为ICA选择的数据应包括要分解的相关信息内容（例如EMG，EOG，ECG伪影）。因此，我建议使用更长，更有代表性的数据间隔甚至整个数据（前提是它可以提供内存约束）。而且，为了可视化IC拓扑图（表示逆矩阵W -1的列），应该存在电极位置。当使用具有未知位置的通道（Radius，Theta，Phi = \[0,0,0]）时，IC拓扑将保持为空，并且可以仅基于IC激活（矩阵a的行）来完成计算。一旦您的数据满足这些要求，您就可以通过转换ICA和反向ICA完成ICA解混，IC检查和选择以及反演的顺序（图2）。下面将更详细地描述每个变换内的步骤。
图2：转换步骤ICA和反向ICA
ICA算法将通道数据解混合成时间上最大独立分量的计算部分。你可以在Transformations > Frequency and Component Analysis > ICA下找到ICA按钮。根据转换对话框中设置的其余选项，Analyzer完成以下计算步骤。
PCA Sphering（白化）：ICA完全忽略了数据的时间进程，而只是检查了通道数据的分布。为了优化ICA中对数据的分布特性，数据被去除（即对于每个通道计算平均幅度并从每个采样点中减去）。通过这样做，所有通道的数据分布具有零重叠均值，并且可以以更有效的方式计算测量。
ICA分解：在此步骤中，将白化后的数据应用到ICA算法中，默认情况下混合信号中的最大成分数总是等于通道数。但是，您也可以手动指定成分数或将其限制为PCA白化期间特征值超过特定标准的成分（例如，特征值> 0.001）。软件默认的ICA算法是Infomax ICA（Bell和Sejnowski 1995; Lee等1999）和FastICA（Hyvärinen和Oja 2000），它们是应用于EEG数据种的最常见的算法。虽然它们都使用非线性函数系统的迭代拟合以最大化独立性，但它们在用于评估解混矩阵W的参数方面不同。
**\*\*Infomax ICA**通过自然梯度上升识别最佳解混矩阵***W.*** 由于自然梯度上升以无监视动态搜索最佳解混矩阵***W***，其中所有提取的分量被同时测量，每个ICA运行将产生略微不同的成分集，其中成分序列通常在ICA的不同运行中会不同。搜索最佳解混矩阵***W***基于最大化负熵，即随机变量的不确定性。negentropy的概念与非高斯性和峰度密切相关，因为它们都是最大化的，可以从每个变量的相互分布中完全预测两个或多个变量的联合分布。**Restricted Infomax** **ICA**能够将数据解混为具有正峰值的分量，这对于诸如音乐，语音和EEG数据之类的纯信号是典型使用的。**Extended Infomax ICA**可以解析成分的负峰度，这可能是由屏蔽电流，设备，照明装置或松动的电极接触引起的AC（交流电）或DC（直流电）噪声信号的典型值（Delorme等人，2007）。因此，当打算拆分反映生物信号的成分以及反映通道噪声的成分时，建议使用**Extended Infomax ICA**。
**\*\*FastICA**可以被认为是Infomax ICA的计算优化版本，它是确定性的，并且总是在不同的运行中产生相同的IC序列（Hyvärinen和Oja 2000）。**Restricted FastICA** 通过最大化负熵的定点算法找到最佳解混矩阵***W***，**extended FastICA**基于最大似然估计（Hyvärinen等人2001; Koldovsky等人2006）。与Infomax ICA的自然梯度方法相比，FastICA算法更快。然而，FastICA算法的速度提高存在一点问题，FastICA算法存在“弱”成分的问题，即分布接近高斯分布或彼此接近的成分（Chevalier et al.2004） ，这在EEG数据经常出现包含这样的“弱”成分！在这种情况下，FastICA需要更长的时间计算，甚至可能产生不正确的分解。在这种情况下，未混合的成分可能在时间上不是最大独立的。这是FastICA算法的主要缺点。
当您按照自动模式中的建议应用转换时，新创建的ICA节点包含已分解的IC激活 - 标记为“F”后跟一个数字（ICA未选择的通道将显示在IC激活下方）。
**转换ICA：检查成分，选择和反演**
在使用ICA算法计算之后，可以使用转换ICA来检查成分，选择和反演校正通道，在Transformations > Frequency and Component Analysis> Inverse ICA中找到。如果在自动模式下运行此转换，则会将所有成反演到通道上，并恢复原始数据。然而，在去伪迹而应用ICA算法时，这是不希望的。在这种情况下，使用半自动模式下通过手动的筛查和应用，这是更能准确的反演数据。
图3：成分F000-F009的\[A] IC激活（按系数100缩放）。\[B]包含所有成分的反向权重，峰度和能量值的表以及关于是否将选择成分用于反演（绿色）或不选择（红色）的颜色代码。在当前示例中，成分已根据其峰度进行排序。\[C]标准表中突出显示的F007地形。IC拓扑表示当前所选分量朝向所有通道的标准反权重（无单位权重，单位可以忽略）。\[D]显示设置。在交互式视图的这一部分中，您可以调整主窗口中显示的信息，例如相对于通道幅度的组件缩放等。
图4：\[E]从下拉列表中选择“校正”将在主窗口中显示通道数据，其中未进行校正数据（表中标记为红色）。此外，激活复选框“使用原始数据覆盖”允许比较除伪迹的数据\[F]之前（红色）和之后（黑色）作对比。
总之，在BrainVision Analyzer 2中实现ICA和Inverse ICA是非常的容易，可以减少基于数据驱动方法的EEG记录中人为过程的影响。与之前提出的转换Ocular Correction ICA相比，Ocular Correction ICA主要针对于眨眼眼电的数据，而ICA则不限，这帮助您保留哪些成分以及从数据中删除哪些成分。
最后，虽然我已经介绍了ICA在Analyzer上的使用，当然ICA的理论知识不仅仅是这些，我最近在看Hyvärinen和Oja两位所著写的《独立成分分析》中文版一书，足足有450页之多，所以说这不仅仅是一次推送就能完全了解ICA的历史及算法。
主要参考：
Hyvärinen A, Karhunen J, and Oja E. Indepenent Component Analysis. New York: Wiley & Sons, 2001.
Hyvärinen A, and Oja E. Independent component analysis: Algorithms and applications. Neural Networks 13: 411-430, 2000.
**谢谢大家观看，如有帮助，来个喜欢或者关注吧！**
本文作者：Chen Rui
星球地址 ：[知识星球](https://t.zsxq.com/W5M3F)[Blog ](https://t.zsxq.com/W5M3F)
知乎地址 : [知乎专栏](https://www.zhihu.com/people/braintechnology)
B站地址 : [B站主页]()
公众号：大脑技术\
CSDN地址 : [csdn主页](https://blog.csdn.net/craig_cc)
# 脑电分析之眼电纠正
在我们做脑电实验中，会存在一些不可避免的情况。比如，受试者的眨眼、吞咽、肌电等。这些信号都会对我们的脑电产生一定的干扰。在数据处理的进程中，这些干扰信号都需要纠正或者剔除掉。
对于眼电信号的产生：这是因为在实验中周期较长，容易产生眨眼（VEOG）；视野较大，容易产生横向眼动（HEOG）。眼电信号的特征：波幅大，频率低，前额信号强。
在我们做实验时，不可避免的会产生以上的这类信号，所以我们在数据分析时，就需要将这类干扰信号纠正回来。下面我将介绍由Brain products公司的分析软件analyzer以及基于matlab下eeglab的workshop资料。
首先介绍analyzer的眼电纠正方法，analyzer提供了两种方法——Ocular Correction 和 Ocular Correction ICA。
Ocular Correction：这是一种比较传统的算法，是通过从EEG平均通道减去眼电通道的电压，乘以校正因子来校正眼电伪影。这种方法在现在的处理中比较少用到，相比于一些简单数据的处理是非常有效的。
在analyzer软件选择Transformations > Artifact Rejection/Reduction > Ocular Correction
Ocular Correction ICA：这是ICA（独立成分分析）算法的一种转化，这种方法是基于IC成分找出眼电的成分进行纠正还原数据的一种非常有效的方法。就目前的脑电数据处理中也是非常常见的。关于ICA算法（独立成分分析）在后面的推送中会单独推送一期。在理解IC成分前，给大家展示一张图，
这是典型的鸡尾酒会模型来展示ICA的盲源分离，这里面的S代表的是发出声音的人，使用麦克风来收音，a代表的是说话者与麦克风间的距离。同理，可以想象我们在收集脑电信号时，麦克风相当于电极，s就相当于脑源的发出位置。它假设观察到的随机信号x服从模型x=As，其中s为未知源信号，其分量相互独立，A为未知混合矩阵。ICA的目的是通过且仅通过观察x来估计混合矩阵A以及源信号s。我们现在需要找到由眼电脑源发出的电信号，这就是使用ICA独立成分分析的“盲源”分离出脑电的成分信号进行眼电的去除。
在EEG中使用ICA算法的示意图
在进行ICA找成分时，对信号的剔除程度较高，所以一般建议是在滤波后再做ICA，这样相对来说，找出的信号较好。
“Transformations” →“Ocular Correction ICA.”介绍参数设置界面：
首先就是要选择其中一段数据作为模板进行数据的估计，来找出IC成分。数据选择越短计算量越大。以上的具体操作步骤可参见[《Brain Products脑电操作手册》](http://mp.weixin.qq.com/s?__biz=MzIyNTYyNzk0Mg==\&mid=2247483855\&idx=1\&sn=86c300a1d814dba411ffda1d96e68351\&chksm=e87d9b86df0a129052f1063bce73e177a904e0229148c16855c507567e62a19f2e30ae68498d\&scene=21#wechat_redirect)。
主要参考：LUCK书籍《事件相关电位基础》
《BrainVision Analyzer User Manual》
#### **谢谢大家观看，如有帮助，来个喜欢或者关注吧！**
本文作者：Chen Rui
星球地址 ：[知识星球](https://t.zsxq.com/W5M3F)[Blog ](https://t.zsxq.com/W5M3F)
知乎地址 : [知乎专栏](https://www.zhihu.com/people/braintechnology)
B站地址 : [B站主页]()
公众号：大脑技术\
CSDN地址 : [csdn主页](https://blog.csdn.net/craig_cc)
# 脑电分析之分段数据
在上面的过程中，其实都是属于EEG预处理的部分，在大多数时候，它都是要做的，可能顺序上有差别，这就是涉及到数学中的[**线性和非线性运算**](https://mp.weixin.qq.com/s?__biz=MzIyNTYyNzk0Mg==\&mid=2247484030\&idx=1\&sn=cef79ed41afe0d4eb283a00d6412f4c7\&chksm=e87d9837df0a1121b69c0b83c74e7f0f0aebc9da3da4311ad27e66db5e224a7613d25bd080ee\&scene=21#wechat_redirect)。当处理完EEG预处理到ERP部分，这将有一个重要的环节需要值得关注——Event事件，它将决定着ERP成分的最终效果。
ERP全称Event-Related Potential（事件相关电位）
在之前我看到的内容中，别人讲的一段话，很有用，EEG的活动诱发相关事件的锁时或者锁相的过程。
The presentation of a transient sensory, motor or cognitive event or task disturbs the spontaneous EEG activity and evokes the event- related responses that are time-locked and phase-locked to the stimulus.
因此，在ERP中，比较关键的部分就是分段叠加了。
分段叠加就会使用到marker信息，这在之前也介绍过BP设备中的marker，可以回去看看。其次是在实验设计中会使用到打marker的过程，在之前也介绍过，在博客上找找吧。
左图是raw data 很多的noisy，当处理完后就可以得到右图中的ERP了，是不是干净了许多。
**分段Epoch/segment**
这里会有多种分段方式，具体的就要依据自己的实验设计了。通常来说，很多时候是根据刺激条件分段，比如以刺激marker为原点取前后时间段进行切分。还有一些是组合分段，提取反应多少ms内的刺激marker，这个就比较复杂了，得看软件支持还有就是写code。对于静息态的数据来说，可以以等分的时间段进行切分。下面这张图在很多做ERP的教程中出现过，它就是分段的示意图了。
——本图来源Brain Products资料
#### **谢谢大家观看，如有帮助，来个喜欢或者关注吧！**
本文作者：Chen Rui
星球地址 ：[知识星球](https://t.zsxq.com/W5M3F)[Blog ](https://t.zsxq.com/W5M3F)
知乎地址 : [知乎专栏](https://www.zhihu.com/people/braintechnology)
B站地址 : [B站主页]()
公众号：大脑技术\
CSDN地址 : [csdn主页](https://blog.csdn.net/craig_cc)
# 脑电分析之基线校正
**基线校准：**
在做完分段后，基本上就会做一个基线校正，就本身来说，它是线性变换的过程，在任何时候都可以做，为什么要做基线校正？
**它的好处：**
1、可以防止分段后漂移过高的Drift，造成某些幅度的漂移，校正后可以将所有通道拉回到一个尺度下显示。
2、消除脑电信号中的一些噪声的影响。
**怎么做的？**
一般是以event为0点，在0点之前的时间段算做刺激未发生前的时刻算得平均值，然后在0点后的每个采样点的数据减去这个平均值。当然，这是通常的做法，还有其它的做法，更多的基线做法
#### **谢谢大家观看，如有帮助，来个喜欢或者关注吧！**
本文作者：Chen Rui
星球地址 ：[知识星球](https://t.zsxq.com/W5M3F)[Blog ](https://t.zsxq.com/W5M3F)
知乎地址 : [知乎专栏](https://www.zhihu.com/people/braintechnology)
B站地址 : [B站主页]()
公众号：大脑技术\
CSDN地址 : [csdn主页](https://blog.csdn.net/craig_cc)
# 脑电分析之叠加平均
**Average叠加平均（单被试）**
在叠加平均ERP之前，有些人还会考虑再进行一次Artifact Rejection，这个过程看需求，也得看信号质量，相当于是在分段后的再一次去噪。
**叠加平均的目的：**
这是提取出erp的最后一步了，在PPT里介绍中，ERP是从EEG信号里叠加平均后提取出来的，这里就是为了提高信噪比，增加统计的效果，使其更具有代表性。
信噪比（SNR）：它是信号与噪声的比值。
信噪比的叠加与叠加次数（n）的关系：最终的SNR = 单次snr ✖️ 根号n
比如：原信号2微伏/噪音10微伏 = 0.2 叠加1024次后，能获得的最终SNR = 0.2 x 32（根号1024） = 6.4
**Average叠加平均（多被试）**
多被试的叠加也叫Grand average，这也是一个线性操作，也就是将多个系统条件下的单被试的average进行总体的平均，这样的话，就可以在总体上查看结果。
结果查看：
对于数据的结果查看，其实有多种方法，可以使用蝴蝶图，也可以使用数据。ERP数据结果查看最关键的是需要知道所关心的脑区在哪里，所关注的电极有哪些，这样才能对症下看。
#### **谢谢大家观看，如有帮助，来个喜欢或者关注吧！**
本文作者：Chen Rui
星球地址 ：[知识星球](https://t.zsxq.com/W5M3F)[Blog ](https://t.zsxq.com/W5M3F)
知乎地址 : [知乎专栏](https://www.zhihu.com/people/braintechnology)
B站地址 : [B站主页]()
公众号：大脑技术\
CSDN地址 : [csdn主页](https://blog.csdn.net/craig_cc)
# 脑电分析之源分析简介
今天和大家分享的这篇推文是最近在学习的内容——EEG源分析。刚开始我是注重软件的使用了，发现其实对于所有的操作软件来说，操作并不是最重要的点，操作一遍不会可以来第二遍，学习新东西就是要大胆操作，小心调试。后来发现似乎是有结果图像了，我们该怎么去理解它，该怎么去分析它，这才是难点所在。EEG数据的分析是千变万化的，不需要记住一套思路，从不同的切入点进入会发现不同的结果。这也是EEG源分析算法不同带来的思想。
\
通常来说，我们通过EEG设备记录下来的信号，都是有大脑神经元群共同放电的结果，我们可以把这些神经元群看作是放电的源头，这些脑电源向不同方向放电，经过一定的衰减（会随着皮层的褶皱、脑积液、颅骨等组织）然后才会到达头皮表面，才会被eeg设备采集下来，这样采集下来的信号就会是很多脑点源的集合信号，所以采集下来的头皮表面信号并不能简单的对应就是大脑内部放电的对应，那就需要一定的手段来映射脑内的情况——溯源方法.
——来自参考文献2\
脑电的溯源方法，一般来说，有两个方向的问题，一是正向问题（给出脑电活动源的分布位置，正向求解头皮电位信号）；二是逆向问题（根据现有采集得到的信号来反演估计脑内神经活动源的位置、方向和强度大小），目前大家讨论的更多的是逆向求解问题，但是逆向求解问题存在两大难点问题是，根据反演求出的解，并不是唯一的，即有可能会存在多个脑内源；另一个问题是求解的不稳定性，噪声的影响，可能在头皮表面噪声的影响很小，但是在脑内的信号振荡可能会是一个非常大的问题。有人说，想要看到脑内变换，可以尝试fMRI设备，的确fMRI有着EEG高优势的空间分辨率，但是fMRI在时间分辨率上却是一大短板，在很多认知实验中，被激活的脑区可能是在很短的时间内变化的，但是fMRI可能无法捕获到，这也是EEG源定位存在的意义之一。
\
从反演的结果来说，脑电逆问题应该是非线性优化问题，考虑到计算的复杂性，所以近似的规约为线性问题Y=AX，Y表示为头表电极记录到的点位，X是待进行空间定位的源信息向量，A称为传递（增益）矩阵，是脑电正问题的解，可以通过构造合适的头模型等来获得。所以提高数据的准确性和对合适头模型的确定是比较关键的。
采集示意图
——来自参考文献2
EEG源重建
第一个重要的是采集到的头皮表面的准确性，通过来说，导联数越多采集下来的数据是越准确的，在已有的文献中，大量拿来做溯源分析的导联数均在128导以上，就目前现有的溯源分析方法来说，64导联的数据也是可以进行分析的，但是准确性是不能保证的。
——来源文献1
这张图说明的问题是电极数量的多少和排布位置，是会影响到脑内发生源的准确性的。
这是四种不同逆问题算法的电极数量下的误差，这也说明电极数量。
第二个是模型的选择
头模型：头模型包含电信号传递的组织中介，这里面涉及传递信号的电导率等，非常难说明。头模型也是可以分为球模型、椭圆模型和真实头模型（MRI），一般采用的方法是基于真实头模型下使用边界元方法（boundary ellment method,BEM）或者有限元方法（finite leement method,FEM)来计算，增加准确性。
源模型：源的估计数量、位置和方向来计算拟合数据。通过上面说到的这个近似方程Y=AX，Y表示为头表电极记录到的点位，X是待进行空间定位的源信息向量，A称为传递（增益）矩阵，是脑电正问题的解，可以通过构造合适的头模型等来获得。我们就是得算X的信息，从文献1中计算的方法有很多，包括：Minimum Norm、Laplacian weighted minimum norm (LORETA)\
、Weighted minimum norm 、Local autoregressive average (LAURA) 、EPIFOCUS、Beamformer 、Bayesian approaches 、besa等，这些算法小编还没有弄懂，所以就不能一 一介绍了，这个得放到后面去。
\
计算出脑内源后，我们才可能做将头皮表面的网络连接转移到脑内网络连接，论起准确性来说，小编觉得脑内数据比头皮表面数据准确一些（个人观点）。
如果你对EEG溯源有兴趣，推荐查阅以下的文献：
文献一：首推Christoph M. Michela,\*, Micah M. Murray, et al. EEG source imaging.Clinical Neurophysiology 115 (2004) 2195–2222.这篇文献是2004年出版的，但是对于现在的我看着文献还是颇有感触。在这篇文章中介绍了做脑源分析的过程。
（1）电极的数量和位置
（2）逆解模型和算法的种类，
（3）EEG源估计与MRI数据的融合，
（4）时间和频率在源成像中的融合，
（5）反解结果的统计分析
文献二：Roberta Grech1, Tracey Cassar\*1,2,et al. Review on solving the inverse problem in EEG source analysis. Journal of NeuroEngineering and Rehabilitation, 2008, 5:25
这篇文章讨论了解决EEG逆问题的两种主要方法，非参数方法和参数方法。两者之间的主要区别在于是否先验地假定了固定数量的偶极子。描述了属于这些类别的各种技术和优劣势。
文献三：EEG source connectivity: Aiming for high resolution of brain networks in time and space
这篇文章讨论了EEG溯源后处理的源连接的问题，也解释了处理源分析所需要经过的要求。
#### **谢谢大家观看，如有帮助，来个喜欢或者关注吧！**
本文作者：Chen Rui
星球地址 ：[知识星球](https://t.zsxq.com/W5M3F)[Blog ](https://t.zsxq.com/W5M3F)
知乎地址 : [知乎专栏](https://www.zhihu.com/people/braintechnology)
B站地址 : [B站主页]()
公众号：大脑技术\
CSDN地址 : [csdn主页](https://blog.csdn.net/craig_cc)
# 脑电分析之源分析思考
本文首发在个人博客上（[**7988888.xyz**](https://7988888.xyz/)），此文章中所有链接均通过博客进行访问。
最近，由于高校的放假，我的工作也算是得以空闲起来，有了时间来看看文献学习知识，我在很久之前也写过关于[《eeg源分析的简介》](https://mp.weixin.qq.com/s/9wlri4mqJiwaiJyKmc2H7Q)，大致也介绍了源分析所需要的东西，这几天我也一直在读以下两篇文献，今天的内容也是对这些东西的思考总结。
文献：
Hallez, H., Vanrumste, B., Grech, R. *et al.* Review on solving the forward problem in EEG source analysis. *J NeuroEngineering Rehabil* **4,** 46 (2007).
Grech, R., Cassar, T., Muscat, J. *et al.* Review on solving the inverse problem in EEG source analysis. *J NeuroEngineering Rehabil* **5,** 25 (2008).
所谓EEG脑源定位，也即EEG逆向问题，也就是根据现有采集得到的头皮脑电信号来反演估计脑内神经活动源的位置、方向和强度大小。从反演的结果来说，脑电逆问题应该是非线性优化问题，考虑到计算的复杂性，所以近似的规约为线性问题X=LS，X表示为头表电极记录到的点位，S是待进行空间定位的源信息向量，L称为传递（增益）矩阵，是脑电正问题头模型等问题的解，可以通过构造合适的头模型等参数来获得。所以提高电极信号的准确性和对合适头模型的确定是比较关键的。
—图片来自B站刘泉影老师neurochat讲座
在上面第一篇文献中谈到脑电信号产生的正向问题，这是一篇综述文章，主要介绍了脑电信号的产⽣机制: 锥体神经元顶树突的突触后电位产生的细胞外电流，然后通过方程模型计算大脑的电导率，比较了在不同的头模型所产生不同数据。
不同头模型计算包括边界元法（BEM）、有限元法（FEM）和有限差分法（FDM）
文献中谈到最开始的头模型—三层同⼼球头模型，在这个模型中，内层代表⼤脑，中间层代表头⻣，外层代表头⽪。
很明显，这样的球头模型并不符合实际情况，因此在后续的发展中就有了基于真实头模型进行计算的三种计算方法。
### 第一种方法：The boundary element method（BEM）边界元方法
边界元法是⼀种计算分段均匀体积导体中电流源所产⽣的表⾯电位的数值技术。虽然它限制了我们只使⽤各向同性电导率，但由于其计算量⼩，仍然被⼴泛应⽤。这种⽅法在六⼗年代后期起源于⼼电扫描仪，在⼋⼗年代后期进⼊脑电源定位领域。这种⽅法能够通过计算⼀个给定的电流源(如偶极⼦)在体积的表面和边界处的势能值来解决体积问题。surfaces表面分隔体积内不同导电性的区域，⽽边界是与导电体积分隔的⾮导电空⽓外表⾯。实际上，头部模型是从表⾯建⽴的，每个表⾯都有⼀个特定的组织。通常，头部模型由三个surfaces表⾯组成: 头颅界⾯、头颅-头⽪界⾯和外表⾯（如上图9）。假定界⾯之间的区域为均匀各向同性导体。为了得到这样⼀个分段均匀体积的解，每个界⾯⽤⼩的边界元格⼦镶嵌起来。那么正问题的计算就涉及到⽹格上的每个节点，边界元法就计算电极位置对应的节点电位。边界元法的最大优点是，可以使求解问题的空间维数降低一阶，从而使计算工作量及其所需计算机容量大大减小。但是在脑电正演问题中使⽤边界元法的⼀个主要缺点是，当源到其中⼀个表⾯的距离与⽹格中三⻆形的⼤⼩相当时，精度就会下降。
### 第二种方法：The finite element method（FEM）有限元方法
有限元法中把计算区域划分成一组离散的容积或者叫元体（在二维情形下元件的形状常常是三角形或者四边形），然后通过对控制方程作积分来得出离散方程，有限元法的最大优点是，对于不规则几何区域的适应性好。如上图10，整个三维体积导体被数字化成⼩的元体。
在有限元⽅法中，⼀个重要的思考是如何在模型中表示偶极⼦源？
本文中阐述了五种方法：
1、⽤⼀对相反极性的固定电压条件加在两个相邻节点上来表示偶极⼦
2、另⼀种⽅法是在元体基函数中嵌⼊⼀个偶极源。
3、第三种⽅法是将场分成两部分—⼀部分是理想偶极⼦在⽆限均匀区域中产⽣的标准场，另⼀部分是在封闭⽆源区域中的边界条件下，这种边界条件可以校正电流在不同电导率区域之间的边界移动
4、在拉普拉斯公式中，去除⼀个含有偶极⼦的⼩体积，并在去除体积表⾯的所有节点施加固定边界条件。这可以解释为⽤等效电压源的估计值来代替电流源的值。
5、第五种形式是模糊偶极⼦模型，其中源和汇单极⼦分布在相邻节点上。在⼤多数情况下，源单极⼦和汇单极⼦不重合的节点的有限元⽹格。因此，表示偶极⼦的⼀种⽅法是在相邻节点上放置的单极⼦和。
结果发现，第三种公式对于横向和径向偶极⼦都给出了最佳性能(其次是拉普拉斯公式)。
### 第三种方法：The finite difference method（FDM）有限差分法
利⽤以单元为中⼼的 iFDM 的盒⼦积分⽅案 ，将带边界条件的微分⽅程转化为线性⽅程。将求解区域用网格线的交点（节点）所组成的点的几何来代替（如上图12），在每个节点上，描述所研究的流动与传导问题的偏微分方程中的每一个导数项用相应的差分表达式来代替，从而在每个节点上形成一个代数方程，其中包含了本节点及其附近一些节点上的所求量的未知值。求解这些代数方程组就获得了所需的数值解。在规则区域的结构化网格上，有限差分法是十分简单而有效的，而且很容易引入对流项的高阶格式。其不足的是离散方程的守恒特性难以保证，而最严重的缺点则是对不规则区域的适应性差。
三种计算方法的比较
边界元法与有限元法或有限差分法的第⼀个区别是计算解的区域。边界元法在均匀各向同性分区间的边界上求解，⽽有限元法和有限差分法则在整个体积内求解正问题。
另⼀个重要⽅⾯是计算效率。与边界元法和有限元法相⽐，有限差分法的计算点固定在各向同性⽅法的⽴⽅体中⼼上，⽽各向异性⽅法的计算点固定在⽴⽅体⻆上。在有限元法和边界元法中，计算点、四⾯体顶点和三⻆形顶点可以更⾃由地选择。因此，在节点数⽬相同的情况下，有限元⽅法能够⽐有限差分⽅法更好地表示不同隔室之间的不规则界⾯。然⽽，⽤于获得真实体积导体模型的分割医学图像是⽤⽴⽅体素构造的。从这些分割后的图像直接⽣成⽤于 FDM 的结构化⽹格是很简单的。在有限元法和边界元法中，需要使⽤附加的镶嵌算法分别得到四⾯体单元和⾯三⻆形。
在第二篇文献中就谈到了逆向问题的计算方法：⾮参数⽅法和参数⽅法
第⼀类非参方法，讨论最⼩范数估计及其推⼴，Backus-Gilbert ⽅法，加权分辨率优化，LAURA，收缩和多分辨率⽅法。第⼆类参数方法，讨论⾮线性最⼩⼆乘问题，波束形成⽅法，多信号分类算法，脑电源分析，⼦空间技术，模拟和有限元，以及计算智能算法，特别是神经⽹络和遗传算法
For the first category we discuss minimum norm estimates and their generalizations, the Backus-Gilbert method, Weighted Resolution Optimization, LAURA, shrinking and multiresolution methods. Forthe second category, we discuss the non-linear least-squaresproblem, beamforming approaches, the Multiple-signal Classification Algorithm (MUSIC), the Brain Electric Source Analysis (BESA), subspace techniques, simulated annealing and finite elements, and computational intelligence algorithms, inparticular neural networks and genetic algorithms
逆向求解⽅法主要有两种: ⾮参数⽅法和参数⽅法。⾮参数优化⽅法也被称为分布源模型（Distributed Source Models），分布反解(DIS)或成像⽅法。在这些模型中，⼏个具有固定位置和可能固定⽅位的偶极源分布在整个⼤脑体积或⽪质表⾯。假设它们的来源是⽪层锥体神经元树突⼲的细胞内电流，这些电流通常定向于⽪层表⾯，因此固定定向偶极⼦通常被设定为正常排列，然后估计这些偶极⼦源的振幅和⽅向，由于偶极⼦的位置没有估计，所以问题是线性的。另⼀⽅⾯，在参数化⽅法中，在位置和⽅向未知的模型中假设少数偶极⼦。
除了以上文献外，还推荐查看到得到EEG源定位后还可以做的功能连接文献。
Barzegaran E, Knyazeva MG (2017) Functional connectivity analysis in EEG source space: The choice of method. PLoS ONE 12(7): e0181105.
## 谢谢大家观看，如有帮助，来个喜欢或者关注吧！
本文作者：Chen Rui
星球地址 ：[知识星球](https://t.zsxq.com/W5M3F)[Blog ](https://t.zsxq.com/W5M3F)
知乎地址 : [知乎专栏](https://www.zhihu.com/people/braintechnology)
B站地址 : [B站主页]()
公众号：大脑技术\
CSDN地址 : [csdn主页](https://blog.csdn.net/craig_cc)
# 脑电分析之频谱分析
本文首发在个人博客上（[**7988888.xyz**](https://7988888.xyz/)**），此文章中所有链接均通过博客进行访问。**
**在上篇推送小波分析教程时，小编其实觉得在学习小波变换前，一定要了解的是傅里叶变换，这是学习变换的鼻祖。傅里叶变换相比于小波变换要简单一些，傅里叶变换主要能做到的是信号的频谱分析。**
**傅里叶当时提出的中心思想是：“任何周期函数都可以表示为周期复指数函数的无穷和\***\*。**”在当时，这是有争议的，另一位很有名的数学家拉格朗日也提出：**“正弦曲线无法组合成一个带有棱角的信号”\*\*。的确如此，正弦曲线的确在组合棱角信号时是无法拟合完全的，但是可以无限的逼近。
**在科学发展进程中，所以后人在原来的基础上进行了扩展：满足一定条件的函数可以表示成三角函数(正弦和/或余弦函数)或者它们的积分的线性组合。**
**为什么要进行傅里叶变换？**
**傅里叶变换是描述信号的需要。只要能反映信号的特征，描述方法越简单越好!信号特征可以用特征值进行量化。所谓特征值，是指可以定量描述一个波形的某种特征的数值。全面描述一个波形，可能需要多个特征值。傅里叶变换算法利用直接测量到的原始信号，以累加方式来计算该信号中不同正弦波信号的频率、振幅和相位。**
**图：信号在时域上和频域上的直观表示 ——来源网络**
**在神经信号振荡中，快速傅里叶变换得到了极大的应用。**
**快速傅里叶变换 (fast Fourier transform),是利用计算机计算离散傅里叶变换（DFT)的高效、快速计算方法的统称，简称FFT。快速傅里叶变换是1965年由J.W.库利和T.W.图基提出的。采用这种算法能使计算机计算离散傅里叶变换所需要的乘法次数大为减少，特别是被变换的抽样点数N越多，FFT算法计算量的节省就越显著。——CSDN**
**EEG采集设备对波形进行采样，然后将采样转换为离散的值。 因为发生了转换，传统上的傅里叶转换在这些数据上无法进行。于是可以使用离散傅立叶变换(DFT)，其结果是离散形式的频域信号。 FFT是DFT的一种优化实现，计算量较少，但是本质上是对信号特征的提取。**
**在EEG信号来源中，推荐一篇文章《Where Does EEG Come From and What Does It Mean?》Michael X Cohen**，在这篇文章中能了解EEG信号振荡的神经元来源。从文章中可以知道我们通过EEG设备记录下来的EEG信号，是神经元振荡信号的集合。
**在前人的研究中，目前将脑电信号频率，按照频率大小分为Delta、Theta、Alpha、Beta and gamma。**
**但是，我们记录下来的原始信号属于时间-振幅的电压信号，并非是频率信号，我们在后期分析中想要把普通的幅度信号转换成频率信号，那么在分析上会采用快速傅里叶变换进行数据的转换。**
**在快速傅里叶变换中，为采样得到的数字信号N个采样点，经过FFT之后，就可以得到N个点的FFT结果。为了方便进行FFT运算，通常N取2的整数次方。**
**在Analyzer软件中输出值，有下面四种类型：**
**a）频谱振幅**
**b）特定频率下的谱振幅密度（Δf：频率分辨率）**
**c）频谱功率**
**d）特定频率下的频谱功率密度（Δf：频率分辨率）**
**在FFT中有两个非常重要的参数—频谱分辨率和加窗函数。**
**频谱分辨率所定义的公式：Δf = fs/N**
**其中，fs为采样频率（sampling frequency）,N为FFT的点数。Δf代表FFT频率轴上的频率取值的间隔。**
**在Analyzer软件中的FFT模块中，会涉及到resolution的设置，在这里的设置理应为2的次幂为最优选择，这是做FFT分辨间隔所引起的。合理的分辨间隔将减少频谱的泄露，差的分辨率将导致频谱泄露。例如：**
**不同的频率造成的模拟波形是不一样的，在节点处就会造成频谱泄露。**
**如何处理频谱泄露？**
**加窗函数。**
**在FFT界面，软件提供了两种加窗函数的使用。**
**摘自网络：“窗的波形图显示了窗本身为一个连续的频谱，有一个主瓣，若干旁瓣。 主瓣是时域信号频率成分的中央，旁瓣接近于0。 旁瓣的高度显示了加窗函数对于主瓣周围频率的影响。 对强正弦信号的旁瓣响应可能会超过对较近的弱正弦信号主瓣响应。 一般而言，低旁瓣会减少FFT的泄漏，但是增加主瓣的带宽。 旁瓣的跌落速率是旁瓣峰值的渐进衰减速率。 增加旁瓣的跌落速率，可减少频谱泄漏。”**
**“Hamming窗和Hanning窗都有正弦波的外形。 两个窗都会产生宽波峰低旁瓣的结果。 Hanning窗在窗口的两端都为0，杜绝了所有不连续性。 Hamming窗的窗口两端不为0，信号中仍然会呈现不连续性。 Hamming窗擅长减少最近的旁瓣，但是不擅长减少其他旁瓣。 Hamming窗和Hanning适用于对频率精度要求较高对旁瓣要求较低的噪声测量。 ”**
**图 Hamming和Hanning都会产生宽波峰低旁瓣的结果**
**Hanning窗适用于95%的情况。 它不仅具有较好的频率分辨率，还可减少频谱泄露。 如果您不知道信号特征但是又想使用平滑窗，那么就选择Hanning窗。**
**Analyzer软件中的实现**
#### **谢谢大家观看，如有帮助，来个喜欢或者关注吧！**
本文作者：Chen Rui
星球地址 ：[知识星球](https://t.zsxq.com/W5M3F)[Blog ](https://t.zsxq.com/W5M3F)
知乎地址 : [知乎专栏](https://www.zhihu.com/people/braintechnology)
B站地址 : [B站主页]()
公众号：大脑技术\
CSDN地址 : [csdn主页](https://blog.csdn.net/craig_cc)
# 脑电分析之时频分析
在我的文章中，我不喜欢贴数学公式来讲解一些内容，这部分对我个人来说，觉得是繁琐复杂的。我比较喜欢通过通俗的语言来介绍。在EEG领域，我们通常会进行的一些分析，可以参考以下这张图。
——来源胡理老师PPT
通过上图可以发现，我们一般进行的任务态数据分析包含哪些内容，当然前提是需要进行预处理后的。这些方法都有各自针对的领域，所谓是师傅引进门，修行靠个人。
——图来源eeglab
在之前的文章中，我也介绍了其中的一部分分析方法，可翻看前面的文章。今天我们来看看时频分析的常用算法与实现。提到时频分析，可以查看上图中的历史进程，不可避免的会使人联想到傅里叶变换、短时傅里叶变换、小波变换还有一些俺也不懂的变换方法，想一想就觉得头疼。我们先来看看这几种方法的优缺点
参考内容：
1、[连续小波变换详解（1）](https://zhuanlan.zhihu.com/p/28208640)
2、[形象易懂讲解算法I——小波变换](https://zhuanlan.zhihu.com/p/22450818)
3、[matlab时频分析之连续小波变换cw](thttps://blog.csdn.net/weixin_42943114/article/details/89603208?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.add_param_isCf\&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.add_param_isCf)
4、eeglab官网
5、analyzer2手册
## 谢谢大家观看，如有帮助，来个喜欢或者关注吧！
本文作者：Chen Rui
星球地址 ：[知识星球](https://t.zsxq.com/W5M3F)[Blog ](https://t.zsxq.com/W5M3F)
知乎地址 : [知乎专栏](https://www.zhihu.com/people/braintechnology)
B站地址 : [B站主页]()
公众号：大脑技术\
CSDN地址 : [csdn主页](https://blog.csdn.net/craig_cc)
# 我所使用过/了解过的脑电设备
本文首发在个人博客上（[**7988888.xyz**](https://7988888.xyz/)），此文章中所有链接均通过博客进行访问。
我最近一直在弄我的个人博客，这里将是我首先发布内容的地方，当然创建博客最主要的目的就是放一些我的个人资料啊，什么的。所以在很多时候，我将是以总结性的知识为主了，今天就先来说说我所使用过/了解过的脑电设备，当然这里的总结仅是我个人的感受，不代表任何观点。
脑电信号其实有很多种，比如说峰电位（spike），它的做法可以是埋藏电极（有创的）它采集的是一种单神经元放电，我只在培训的时候在客户那里遇到过，使用的是多通道采集设备；还有就是头皮脑电（EEG）和颅内脑电（EcoG），这两个是我所培训最多的，当然受试者均为人类被试哈，这里暂不讨论动物实验的。这两种信号在空间和电信号上有着明显的不同，从传导方向上来，EEG的信号是经过EcoG信号经过头颅衰减后再传导到采集的电极上的，所以说EcoG对于脑机接口的信号来说，非常有效，但是非常可惜的是EcoG是有创的，需要开颅才可以安放电极，对于EcoG的知识，可以参考这篇文章：[《皮层脑电图（ECoG）》](https://mp.weixin.qq.com/s?__biz=MzIyNTYyNzk0Mg==\&mid=2247484078\&idx=1\&sn=66dea4459bf22946bafd47a20f7ce287\&chksm=e87d98e7df0a11f1abc48e14bd08a9f29c7fb6460f99c3f7ebb24a35b207953483523368b186\&scene=21#wechat_redirect)，所以现在我来谈谈头皮脑电EEG的信号采集，因为它无创的，也能采集到非常好的信号，这也是目前EEG被很多人使用的原因。
对于EEG信号的优缺点，我应该在很多前面的文章中写过好多了，产生的伪迹啊，设备参数啊，我就不一一列表了，可参考前面的文章。
### NeuroScan
我所使用的第一台脑电设备是我在本科期间有一年暑假使用的Neuroscan设备帮忙一个老师采集了一批数据，那时候我还是个小白中的小白，连采集时所使用的参考电极是什么都不知道，给被试打导电膏真的是练起来的，刚开始打导电膏超级的小心翼翼，scan的黑帽子的孔又小，只能使用针头一点一点的慢慢凭感觉（提前要跟被试说好，感觉到疼一定要说，不能忍着）。那时候我跟着老师做前测后测，被我打过导电膏的头有上百次了，后面打scan64导的20分钟差不多就搞定了。说几点使用感受：硬件部分：老牌子了，质量还是不错的。放大器和电源盒，搬来搬去有点重，电极帽似乎该更新了，黑色帽子的孔有点小（学习资料）；软件部分：成熟的采集和分析软件curry7（我当时使用的软件），也是很方便。
图来源：[neuroscan的官网](https://compumedicsneuroscan.com/product/synamps-rt-64-channel-eeg-erp-ep-amplifier/)，我记得我当时使用的是白色的。
官网型号参数（具体以官方网站为准）：
### Brain Products
第二台使用的是Brain Products的产品了，当时我是去中科院心理所实习，在刘勋研究员那组，我记得很清楚的是伍海燕老师接待的我，是她带我进的课题组认识了一群可爱且优秀的师兄师姐，学习氛围超级棒，我进去实验室，那时候应该是在核磁中心的那个楼做的，刚开始跟着伍老师做的是一个金钱博弈的实验好像（具体不知道，那时候是真小白），做的假被试，还得了被试费，爽歪歪的。后来就是实地上手了，开始给被试打导电膏，BP的电极帽的孔还蛮大，当时使用的是brainamp型号的脑电，
图片来源:[BP官网](https://www.brainproducts.com/productdetails.php?id=1)
它的电极帽虽然孔很大，但也是费了好久才变绿色的（要想实验做得好，必须头顶一片绿）。还有当时我看到BP的分析软件，看到老师点点点就出来了还是蛮惊讶的，原来就是这么简单。这当然是求学的时候什么都不懂，觉得什么都是神奇的吧。再后来，我没有选择考研，也许我当时就想着早点毕业吧（后悔中。。。），个人建议还是能读研还是读吧。我毕业了，就直接去了BP国内的代理公司，那时候才算是开启真正使用BP脑电的时代吧，说老实话，我第一次外出培训的时候，心里很没谱，毕竟是自己首次讲给别人听（在这里得感谢当时的老师，当然现在关系也不错了），培训的型号是BP的antichamp
图片来源：[BP官网](https://www.brainproducts.com/productdetails.php?id=74)
该型号系统规格：
图片来源：BP官网可查看
它是一个没有固定参考的脑电系统，就是说在使用中，可以通过软件来设置电极帽上的任意参考电极，但是很可惜的是，这样的话，就少了一个导联，比如说，32导脑电系统，其中一导就要拿来做参考电极，信号电极其实就只有31导。后来，我也陆陆续续给很多高校的老师培训过BP的设备啦，那就可以看我很久之前写的公众号文章了，很多学习资料了（参考：[微信公众号3月份汇总](https://7988888.xyz/2020/03/30/%E5%BE%AE%E4%BF%A1%E5%85%AC%E4%BC%97%E5%8F%B73%E6%9C%88%E4%BB%BD%E6%B1%87%E6%80%BB/)），说一下使用感受，硬件来说，质量也不差，设备还是比较小，方便携带和搬运。电极帽部分来说，打导电膏的时间都是一个样，凭手感和熟练度，BP的电极帽有些帽子的电极可以拆卸还是比较友好的。软件部分：这可能是BP的优势了，很多老师还是比较认可analyzer软件的，这部分学习内容，我之前在浙大培训的时候录了一个教学视频，可以查看
### Biosemi
第三个脑电设备，Biosemi脑电，这个设备我没有实际使用过，但是我对它有一定的了解，这是我听很多老师说起过的设备，它在国外还是有很多人在用的，我看到很多文章都是biosemi的设备，它比较好的点在于硬件部分，非常过硬，它也非常小巧便携，对于有一定能力的人，我还是比较中意它，非常不好的点就是在于没有配套分析软件，这也是国内不中意它的原因之一吧。
图片来源：[biosemi官网ActiveTwo型号](https://www.biosemi.com/ad-box_activetwo.htm)
该型号的系统规格可查看
### Emotive
第四个设备：Emotive，这个是做BCI用到的比较多的设备之一，它使用起来非常简单，GUI的图形界面，简直了不能太简单了，唯一的缺点是电极数太少了，只有14导，而且位置都固定了，对于做常规EEG信号的人来说，不适用。如果想买来玩玩的，可以去淘宝上看看，几千块就能买到了。
参数：
### EGI
第五个设备，EGI脑电。在很早之前就听说过EGI的盐水电极帽是一个非常有特点的脑电设备。在我换了家公司后，就开始了学习EGI脑电的相关内容，它的首要特点我觉得是高密度脑电，它在开始的时候是128导起底的，很多人不知道做高密度脑电的意义在哪？高密度脑电，它能有效的提高空间分辨率的，我们所知道的脑电，经常会听到一句话——脑电是时间分辨率高，空间分辨率低。高密度脑电就是解决这个空间的（前提是你使用的是脑电这项技术，其它技术另说），它还有一个非常重要的点在于高密度脑电对脑电的逆运算——源分析，非常有利，一般来说，做源分析最低的要求64导以上，小于这个数，不建议做了，这样得出来的源，可能会存在不准确性，可参考我之前写的[《源分析简介》](https://mp.weixin.qq.com/s?__biz=MzIyNTYyNzk0Mg==\&mid=2247484790\&idx=1\&sn=212946d9df11a7ded638487573777932\&chksm=e87d9f3fdf0a1629eadc5a17582f0b6e834087bd3e30c5aabcb82333906d445132a2eb2a44e3\&scene=21#wechat_redirect)，高密度脑电还有一个非常苦恼的问题就是降阻抗，EGI脑电可能就是考虑了这个问题，一直使用的是盐水电极帽，只要配置到盐水溶液，给被试戴上电极帽降阻抗非常的快，128导可能就需要几分钟。还有一点超级厉害的点是它的电极帽可以进行tDCS，tACS，tPCS和tRNS的电刺激，这就相当于直接集合了另一套设备，但它也会有不好的地方，操作系统上只能在苹果系统上使用，这也是对于很多window用户来说，非常不好的点。
EGI型号N400
图片来源：[EGI官网](https://www.egi.com/research-division/eeg-systems/geodesic-eeg-systems)
### 其它
后面，其实陆陆续续也接触/了解过ANT、博睿康的脑电，其实大体上硬件都差不多，主要是在信号质量上和软件使用上。
最后，上述的脑电设计只是我个人的使用过/了解过的一些感受，并不代表任何观点。这些设备都是有自己各自的优劣势，我在这里没有完善的说，如果有感兴趣的人，也可以私信我，我们也可以一起来总结下这些。ps：对于BP和EGI的脑电硬件设备，可以互相使用了，如果感兴趣，也可以私信我邮箱[science52brain@outlook.com](https://app.gitbook.com/s/-M7RomjMjVKJfooLnBSn/eeg/science52brain@outlook.com)。
## 谢谢大家观看，如有帮助，来个喜欢或者关注吧！
本文作者：Chen Rui
# 脑电电极帽
本文首发在个人博客上（[**7988888.xyz**](https://7988888.xyz/)），此文章中所有链接均通过博客进行访问。
电极帽在EEG数据实验中重要吗？
重要的，电极帽上一般都带有电极传感器，通过在电极传感器与头皮之间注入某种电解质就可以进行电信号的传导。这也是在脑电实验中经常所说的“阻抗测量”，它的好坏，决定着数据质量的好坏。
我曾经写过一篇[《我所使用过的脑电设备》](https://7988888.xyz/2020/05/01/%E6%88%91%E4%BD%BF%E7%94%A8%E8%BF%87%E4%BA%86%E8%A7%A3%E8%BF%87%E7%9A%84%E8%84%91%E7%94%B5%E8%AE%BE%E5%A4%87/)，在这些设备中，就包含这两大类的电极帽，分别来说明下，它们有啥不同。
### 干电极帽：
电极直接与头皮接触，无需任何电解质。
优点：不需要导电膏，不会黏黏糊糊的，使用后也不用洗头了。
缺点：阻抗不容易降，信号质量也一般，会存在较大的伪迹信号。
适用领域：干式电极帽主要目的是解决现实世界的环境或专业产品或服务，在未来开展脑机接口的转化上会比较适用。
### 湿电极帽：
需要在电极与头皮间注入电解质。
湿电极帽可分为：凝胶电极帽、盐水电极帽以及半干式电极帽。
**凝胶电极和盐水电极**是最常用的测量EEG信号的传感器。这两类电极是要求在头皮和电极之间使用高导电性的电解物质（凝胶或kcl溶液），以获得良好的接触并降低头皮到电极间的阻抗。
在某些时候，使用凝胶电极可能还需要对皮肤进行一些处理，比如去角质等来提高接触质量。凝胶就是导电膏，就是通过导电膏来传输信号。
#### 凝胶电极
优势：具有更好的信噪比，传输信号好，阻抗容易降。
缺点：打导电膏时间长，被试难受，耗材，需要大量购买，还有就是普通型的导电膏也不建议使用超过3-4小时，容易变干。
适用领域：大多数用于科研，保证信号质量好。
#### 盐水电极帽
使用一定配比的盐溶液可进行传输信号。
优势：不需要打导电膏，佩戴时间短，阻抗也容易降，被试也舒服。
缺点：持续时间不够长，至多1小时，液体容易流动。
适用领域：受试者是老年人或者是儿童群体时，使用会非常方便。
#### 半干式电极帽
通过少量水滴湿润的情况下进行信号传输（半干式电极几乎是干的，但不完全是）
这个电极帽不常见，其实通常使用干式电极帽的时候，在电极上涂一点导电膏，这类的电极帽就是半干式电极帽。它与纯干式电极相比，信号质量会好；与传统的凝胶电极相比，实验准备时间缩短，使用后无需清洁设备和头部。缺点也是显而易见的，跟干式电极类似。
既然说到电极帽，我们通常还会遇到的问题是电极帽的导联数和所使用的定位系统。
### 电极帽的导联数
使用过脑电设备的人来说，会经常性的通道8导、16导、32导、64导、128导、256导设备，它其实是指代的是电极帽上有多少个电极传感器，导联数越多，所能探测到的脑电信号越多。
脑电信号通道的数量决定了我们能够处理的信息量。虽然很难一概而论，但一般的划分可以是:
\> 64ch: 高密度神经图像研究，主要依靠源定位和信号处理过滤。
32-64ch: 神经科学研究，脑电图成像(伴有严重的脑电伪影过滤)。
19ch: 临床研究和实践中使用的标准10-20系统。
16-32ch: 应用神经科学研究领域，如脑机接口、生物医学工程、神经工程、心理学等。
8-16ch: 用于运动神经康复、认知神经康复、消费者神经科学等，这类研究我们通常需要知道测量的大脑活动和区域。
< 8ch: 特殊的应用，包括测量一个定义明确的神经过程，需要一个简单而快速的设置(例如，传统的一个皮层位置的神经反馈，睡眠脑电图的测量等)。
### 定位系统
传统我们所熟知的10-20系统，根据头皮电极的位置和大脑的皮层区域来标记它们。标签上有一个字母，用来识别每个电极记录的大脑区域。可以参考文章《10-20系统》。
另外，在使用电极帽的时候，还会遇到这三类电极——接地电极/COM电极、参考电极、记录信号电极。
不论使用何种电极帽，都会有这三类电极，也经常会听到打导电膏时，一定得先打接地电极、参考电极、然后在打记录信号电极。它们分别的作用：
接地电极/COM电极：用于将放大器和受试者放置在同一电位，减少共模干扰，同时接通信号。
参考电极：用于相对的零电位信号，从每个记录电极中减去该信号获取值。
记录信号电极：放置在我们想要测量的特定头皮位置。
对于在线参考和离线参考的问题，可以查看以往写过的内容。
电极线中还会听到的是有源屏蔽电极和无源电极，还有一些是关于主动电极和被动电极，这些主要就是屏蔽一些电磁干扰的作用。只要环境做屏蔽，大体上也差不了多少。
## 谢谢大家观看，如有帮助，来个喜欢或者关注吧！
本文作者：Chen Rui
# EEG数据结构（EEG-BIDS）
本文首发在个人博客上（[**7988888.xyz**](https://7988888.xyz/)），此文章中所有链接均通过博客进行访问。
最近遇到一个客户的问题，他使用的是EGI的设备采集的脑电数据，却想用neuroscan的curry软件来进行分析，这就需要涉及到转格式的问题。每个设备都有自己的脑电数据格式，比如，EGI的常见格式.mff、.raw等；scan的格式.cnt、.dat等；BP的格式.eeg等，我们可以想象还有其它脑电设备的格式均不相同，那么如果我想用其它软件来分析将会非常麻烦，有人会说，使用强大的EEGLAB就可以，的确，这是一种方案，但是如果是想使用其它软件，那么就需要转换成能识别的格式，同时还需要保证其数据结构是能通用的才可。
我在之前的文章中有分享过一些共享的数据网站，比如非常有名的，这个网站有多种数据类型的数据集，A free and open platform for sharing MRI, MEG, EEG, iEEG, and ECoG data，当然还有其它的网站，可参考《[EEG / ERP*数据*可免费公开下载（2020年更新）](http://mp.weixin.qq.com/s?__biz=MzIyNTYyNzk0Mg==\&mid=2247485196\&idx=1\&sn=aca2e03228d05c1a7a56640753bee880\&chksm=e87d9d45df0a14539681efecff4a2c0b8e582cbd86cd637c41343d0ee27d6bb3c201ff762429#rd)》和《[开源脑成像*数据*集网站](http://mp.weixin.qq.com/s?__biz=MzIyNTYyNzk0Mg==\&mid=2247485496\&idx=1\&sn=49f0d276df85a510d97ec46310b98690\&chksm=e87d9271df0a1b67169511bf8c239565d3504e2bf272f030b75f6ae569e5ab1723a109c81a67#rd)》。那么这些数据集的格式是怎么管理的呢？答案是BIDS。
### 什么是脑成像数据结构（BIDS）
BIDS（脑成像数据结构）是用于神经成像和相应行为数据的组织和描述的标准格式，在神经成像社区中一直很难有统一的数据结构。更具体地说，来自扫描程序的数据将转换为NIFTI和JSON文件，并组织为特定的目录架构，并按照精确的命名约定进行标记。结果是一个有组织的数据集，可以很容易地被其他研究人员共享和理解。最初是为MRI数据开发的，现在在EEG数据上也有EEG-BIDS数据结构。
### BIDS的好处
1. 再现性和数据共享：研究人员可能会遇到的一个非常常见的问题，从其他人那里收到数据，往往会因为数据的命名和组织方式不同而无从下手，重新查找相关信息和问询将非常耗时。但是，由于BIDS的标准化格式，大大减轻了数据共享的可读性。
2. 根据BIDS数据结构的数据集被越来越多的数据分析软件包可读取数据
3. 公开共享数据，则可以最大程度地减少额外时间和精力。
### 脑电图BIDS数据结构
BIDS-EEG数据的扩展严格遵循通用BIDS规范。BIDS指定了从各个方面来存储EEG文件（首选格式为.edf，然后是其它数据格式），除了EEG文件本身之外，BIDS还指定了要存储的文件结构和元数据。例如，对于每个被试，将存在一个包含以下元素的目录：
* 每个会话的EEG原始数据（欧洲数据格式.edf和BrainVision核心数据格式是官方类型，但首选.edf）
* 每个会话记录的任何其他方式的原始数据（例如EOG）
* 列出保存为“ events.tsv”标记文件、“ channels.tsv”通道文件或“ electrodes.tsv”电极的文件
* 提供坐标系统文件的Json文件“ coordsystem.json”。
* 其他元数据文件以json格式（.json）详尽指定实验任务和EEG记录系统的所有详细信息
* 一个刺激目录（如果是实验的一部分）
* 一个代码目录，用于复制任何必需的数据转换和预处理。
### 特殊注意事项
1、为了容纳更多的科学受众并促进采用，EEG-BIDS标准还允许两种“非官方”常用数据格式：MATLAB工具箱EEGLAB 使用的格式（“ .set”和“ .fdt”文件）以及Biosemi格式（“ .bdf”）
2、电极与通道。EEG电极是附着在皮肤上的接触点，通道是模拟差分放大器和模数转换器的组合，导致电位（电压）差存储在EEG数据集中。通常，“参考”和“接地”电极不应称为通道，而应仅称为电极。一些系统（例如Biosemi）具有活动的浮动参考，而对于其它大多数系统，电极上的电位既不被放大也不被记录。对于EEG-BIDS，研究人员必须指定“ channels.tsv”文件，并可以另外指定“ electrodes.tsv”文件和随附的“ coordsystem.json”文件。
3、基准点与解剖学界标。（i）基准点是具有明确定义的位置的对象，用于促进电极的定位以及与其他几何数据（例如参与者自己的T1加权磁共振头）的共配准图像，T1加权模板头部图像或球形头部模型。常用的基准点是在解剖MR图像中清晰可见的维生素E药丸，或用红外光学跟踪系统定位的反射球。（ii）另一方面，解剖学界标定义了研究对象（例如，鼻孔）的位置，鼻孔是人类头骨的额骨和两个鼻骨的交集。基准通常与解剖学界标结合使用。
### 软件支持的工具
作为BIDS项目的一部分，可以使用“ bids-validator”（一种以命令行版本在本地运行（使用Node.js）或在Internet浏览器中运行的JavaScript应用程序）验证符合EEG-BIDS标准格式的数据集。）
可以查看该GitHub：
### BIDS对EEG数据集的挑战
EEG的悠久历史，多功能性和多种应用使其成为一种数据和方法丰富的技术，目前由许多EEG硬件制造商和型号，预处理方法、参考选择等问题难以统一，因此通常需要各种脚本才能将数据从制造商格式转换为BIDS格式。尽管相对于其它神经影像学方法而言，EEG数据的转换数据格式和组织数据结构的任务非常麻烦，但值得付出努力。只有融合标准化的数据格式和结构，甚至于标准化的处理步骤，它将能帮助EEG发挥更大的作用。
### BIDS参考资料
Pernet, C.R., Appelhoff, S., Gorgolewski, K.J. *et al.* EEG-BIDS, an extension to the brain imaging data structure for electroencephalography. *Sci Data* **6,** 103 (2019). )
–BIDS格式网站
–读取fieldtrip中BIDS格式的方法
–读取MNE中BIDS格式的工具
–BIDS格式转换工具
–EEG-BIDS格式的介绍
脑成像数据结构
## 谢谢大家观看，如有帮助，来个喜欢或者关注吧！
本文作者：陈锐
# 脑电常用的数据分析软件网址
**常见分析软件：**
**• EEGLAB:** [**https://sccn.ucsd.edu/eeglab/index.php**](https://sccn.ucsd.edu/eeglab/index.php) **用于在Matlab和Octave上运行的电生理信号工具箱**
**• ERPLAB:** [**https://erpinfo.org/erplab**](https://erpinfo.org/erplab)
**• FieldTrip:** [**http://www.fieldtriptoolbox.org/**](http://www.fieldtriptoolbox.org/) **用于MEG和EEG分析的MATLAB工具箱**
**• MNE-Python:**[**https://mne.tools/stable/index.html** ]() **用于在Python下的分析MEG/EEG/fNIRS工具箱**
**• BrainStorm3:** [**https://neuroimage.usc.edu/brainstorm**](https://neuroimage.usc.edu/brainstorm) **是一款协作式开源应用程序，致力于分析脑部记录：MEG，EEG，fNIRS，ECoG，深度电极和动物电生理学。**
**• Letswave6:**[**http://nocions.github.io/letswave6/**](http://nocions.github.io/letswave6/)
**• Letswave7:** [**https://letswave.cn/**](https://letswave.cn/)
**• LORETA:** [**https://www.uzh.ch/keyinst/loreta.htm**](https://www.uzh.ch/keyinst/loreta.html)
**• SPM:** [**https://www.fil.ion.ucl.ac.uk/spm/**](https://www.fil.ion.ucl.ac.uk/spm/) **用于分析功能磁共振成像**，**PET**，**SPECT**，**EEG**和**MEG**。
**• Hermes:** [**http://hermes.ctb.upm.es/**](http://hermes.ctb.upm.es/) **用于大脑连通性分析领域**
**• Biosig:**[**http://biosig.sourceforge.net/index.html**](http://biosig.sourceforge.net/index.html) **BioSig是一个用于生物医学信号处理的开源软件库，具有例如生物信号分析功能，例如脑电图（EEG），脑电图（ECoG），心电图（ECG），眼电图（EOG），肌电图（EMG）**
**• SIFT:** [**https://sccn.ucsd.edu/wiki/SIFT**](https://sccn.ucsd.edu/wiki/SIFT)
**• Cartool:**[**https://sites.google.com/site/cartoolcommunity/home**](https://sites.google.com/site/cartoolcommunity/home) **用于分析EEG/ERP微状态的数据软件**
**• EEGNET:** [**https://sites.google.com/site/eegnetworks**](https://sites.google.com/site/eegnetworks) **用于分析和可视化M / EEG连接的工具箱。**
**• TRENTOOL:** [**https://github.com/trentool/TRENTOOL3**](https://github.com/trentool/TRENTOOL3) **TRENTOOL是MATLAB的开放源代码工具箱，它使用户可以轻松地处理时间序列中传输熵（TE）估计的相当大的复杂性。**
**商业软件：**
**• Analyzer:** [**https://www.brainproducts.com/**](https://www.brainproducts.com/)
**NeuroScan:** [**https://compumedicsneuroscan.com/tag/scan/**](https://compumedicsneuroscan.com/tag/scan/)
**• ASA：**[**https://www.ant-neuro.com/products/asa**](https://www.ant-neuro.com/products/asa)
**• Netstation：**[**https://www.egi.com/**](https://www.egi.com/)
**• BESA:** [**http://www.besa.de/**](http://www.besa.de/)
**• Curry:** [**https://compumedicsneuroscan.com/curry-8-released/**](https://compumedicsneuroscan.com/curry-8-released/)
**• Brainbay:**[**http://www.shifz.org/brainbay/**](http://www.shifz.org/brainbay/)
#### 谢谢大家观看，如有帮助，来个喜欢或者关注吧！
本文作者：Chen Rui
文章仅限学习使用，不用于商业行为，若有侵权及疑问，请发邮件至
# 如何学习近红外技术？
## 前言
近红外脑功能成像技术（以下简称fNIRS），目前来说，越来越多的科研院所探索脑功能常见的技术手段，它不同于脑（EEG），也不同于功能磁共振（fMRI），它有着自己的优势与特点。在很早的推文中，我已经介绍过这三种设备的优缺点，可查看文章[《EEG vs MRI vs fMRI vs fNIRS》](https://mp.weixin.qq.com/s?__biz=MzIyNTYyNzk0Mg==\&mid=2247484560\&idx=1\&sn=d3a3941c7393f70daa8581b99f280cbd\&chksm=e87d9ed9df0a17cf8175a42bc8ede821be2a3aaa813e5a086eb1814bd829ddb90e9aae4bcb97\&scene=21#wechat_redirect)。最近有很多人问我关于近红外数据的入门以及数据分析问题，其实这些都是学习近红外技术道路上必不可少需要面对的问题，但这也是学习动力前的必要动力，不要惧怕，勇往直前，拨开云雾，翻过这座山，胜利就在眼前。
## 如何学习近红外脑功能成像技术(fNIRS)?
近红外技术作为近年来比较新颖的脑功能技术手段，它不需要像EEG那样打导电膏麻烦，也不需要像fMRI那样躺在狭小的空间里恐惧。它开放的环境与独特的戴上光极帽就可以完成脑功能探测了，我从以下几个方面来谈谈学习近红外技术手段的入门？
## 第一部分 学习资源
学习任何技术手段之前，必备的技能就是搜索技术资料。目前来说，近红外技术资料还是比较少的，它不像我之前写过的EEG有书籍参考《【荐书】EEG/ERP书籍》，中文书籍来说，近红外技术基本上没有书籍参考；英文书籍，我目前看到有一本书《Application of Near Infrared Spectroscopy in Biomedicine》基础原理讲解很清楚；除了书籍以外，还可以参考的近红外学习网址恐怕就没有多少了，在这里我首先推荐崔旭老师的个人博客[www.alivelearn.net](https://book.7988888.xyz/fnirs/www.alivelearn.net)，这里有很多关于近红外的知识，除此之外，想要了解近红外技术发表的一些文章可以参考公众号《fNIRS之家》，它会提供很多有关于近红外技术的文章信息。还有一个是台湾学者Chia-Feng Lu在YouTube上讲解的一系列近红外知识，它是非常全的知识体系，网址，最后，本公众号也在之前发布了很多关于近红外的相关资料，也可参考。
## 第二部分 近红外脑成像原理
原理部分，这也是最最最入门你需要了解的，这个内容不论是之前公众号的文章还是仪器设备厂商都会进行培训讲解的必备内容，不要小看基础知识，它也是非常重要的，近两年，崔旭老师在其微信群里举办的近红外知识答题很受大家欢迎，如果你也想测试一下你了解多少近红外知识，不妨测试一下《测试下你的近红外脑成像知识（2020版）》，在这里着重推荐大家看的文献文章《Functional Near-Infrared Spectroscopy (fNIRS): Principles and Neuroscientific Applications》，《A review on continuous wave functional near-infrared spectroscopy and imaging instrumentation and methodology》，本公众号文章《近红外脑功能成像基础》，《光学近红外脑成像原理》。
## 第三部分 认识近红外设备仪器
近红外的设备有很多，有进口设备也有国产设备。每种设备型号都有其技术特点，在这里我仅列出我所知道的设备型号，参考网址：   目前来说，国内使用比较多的设备有hitachi（日立）、shimadzu(岛津)、NIRx设备，这几款设备都是进口设备，在国内还有国产的设备厂商，丹阳慧创，武汉资联虹康也自主研制近红外设备。相关的参数，我这里不赘述，如果你需要参考其参数，可以通过邮件发送给我。
## 第四部分 数据分析
目前，我更新的近红外视频学习中已经包含着数据分析内容，可以参考，在数据分析时，可能会遇到的问题是数据分析工具箱的选择，可以参考《fNIRS分析工具箱》，除此之外对于数据本身的一些干扰和提取信号，在我的公众号上也是可以找到的，数据分析中还可能涉及到的问题是前期近红外实验设计的问题，这是非常重要的，好的实验设计是处理数据过程成功的一般，最后是可视化大脑数据，这个可参考崔旭老师文章，有示例代码以及我即将更新的视频系列，会提及到的几款可视化数据的软件（xjview，nirsLAB、NIRS\_SPM、Atlas Viewer、NIRS AnalyzIR等）。
## 结尾
本文首发在braintechnology公众号，如有疑问及建议，可联系邮箱
# 近红外脑功能成像基础
**简介**
fNIRs是一种非侵入性成像方法，涉及从近红外光（NIRs）衰减测量或时间或相位变化测量组织浓度的相对变化。近红外光谱光利用光学特性，其中皮肤，组织和骨对700-900nm光谱中的近红外光几乎是透过的，而血红蛋白（Hb）和脱氧血红蛋白（deoxy-Hb）对这段波长很敏感。所以deoxy-Hb和oxy-Hb的吸收光谱的差异允许通过使用多个波长的光衰减来测量血红蛋白浓度的相对变化。选择在等吸光点805nm左右的上方和下方至少各一个波长进行测量。在脑成像中，使用修正版的比尔 - 朗伯定律（mBLL），这个定律是可以用来计算血红蛋白相对浓度作为总光子穿行路径长度的函数。通常情况下，光发射器和探测器放置在受试者颅骨的同侧，目前探测的最佳距离在3cm左右，因此记录的测量结果是由于椭圆形路径（也叫光子香蕉）之后的散射（反射）光。
**脑功能成像**
使用fNIRs作为功能成像方法主要依赖于神经血管耦合原理，也称为血液动力学反应或血氧水平依赖性（BOLD）反应。这个原则也是构成了fMRI技术的核心。通过神经血管耦合，神经元活动与局部脑血流的相关变化。fNIRs和fMRI对类似的生理变化敏感，并且通常是比较方法。有关fMRI和fNIR的研究显示认知任务中高度相关的结果。fNIRs在成本和便携性上优于fMRI，但由于光源功率的限制，空间分辨率有限，因此基本上不能用于测量深度超过4厘米的皮质活动。fNIRs包括使用光学层析成像（DOT）用于功能目的。可使用多复数的fNIRS光源与探测器组成多通道来测量大脑活动的二维脑地形图（例如，使用NIRScout等设备），同时使用多个光源短间距可以用于构建三维层析成像地图，但目前来说需要的光源数较多。
**光谱技术**
目前有三种fNIRs光谱学方法
**连续波**
连续波（CW）fNIRs使用以恒定频率和振幅发光的光源。通过修正版的Beer-Lambert定律（mBLL），光强度的变化可能与血红蛋白相对浓度的变化有关。
OD是光密度或衰减， Io是发光强度， I测量光强度，
是衰减系数，\[X]是chromophomore浓度， L是源和探测器之间的距离 DPF是差分路径长度因子以及G是与散射相关的几何因子。
当衰减系数是已知的，假定恒定的散射损耗，并且测量结果在时间上被差分处理，该方程简化为：
d是总校正的光子路径长度。
使用双波长系统，deoxy-Hb和oxy-Hb的测量可以从矩阵方程中求解：
CW技术是最常见的做fNIRs的形式。因为用mBLL测量浓度的绝对变化需要了解光子路径长度。连续波方法不具有光子路径长度的任何知识，因此浓度变化相对于未知路径长度，所以，目前探索更对的是相对浓度的变化。
####
**频域**
在频域（FD）系统中，NIRs激光源在接近一百兆赫兹（100MHz）的频率处提供调幅正弦曲线。背散射信号的幅度和相位的变化提供了对组织的吸收和散射系数的直接测量，因此不需要关于光子路径长度的信息; 从散射和吸收系数中确定血液动力学参数浓度的变化。由于需要调制激光以及相位测量，频域系统在技术上比连续波系统复杂。但是，这些系统能够提供绝对浓度的氧化血红蛋白和脱氧血红蛋白。
**时间分辨**
在时间分辨光谱学中，引入脉冲长度通常在皮秒量级的短NIR脉冲。通过飞行时间测量，可以通过将解决的时间除以光速来直接观察光子路径长度。由于需要高速检测和高速发射器，时间分辨方法是最昂贵且技术复杂的方法。关于血流动力学变化的信息可以在背散射信号的衰减，衰减和时间分布中找到。
主要参考：
"Comparison of linear and nonlinear calibration models based on near infrared (NIR) spectroscopy data for gasoline properties prediction". Chemometr Intell Lab. 88 (2): 183–188
#### 谢谢大家观看，如有帮助，来个喜欢或者关注吧！
本文作者：Chen Rui
文章仅限学习使用，不用于商业行为，若有侵权及疑问，请发邮件至
# fNIRS技术入门文章推荐
## 前序
在很多时候，我经常收到很多来信，让我推荐一些关于近红外入门的书籍资料，但很不幸的是，目前来说，近红外技术的书籍并不是很多，在前面我也写过[《如何学习近红外技术》](https://mp.weixin.qq.com/s?__biz=MzIyNTYyNzk0Mg==\&mid=2247484940\&idx=1\&sn=d10b0cb3f6e17d85c9005ffd744c33c8\&scene=21#wechat_redirect)的文章，但想要更加深入的理解近红外技术，以下的这些入门的技术文章你一定得看看，首先我强烈推荐的是2014年发布的fNIRS特刊——庆祝功能近红外光谱技术诞生20周年,在这里包含了9篇评论文章和49篇研究文章，涉及有近红外技术的仪器设计技术、数据分析方法、大脑发育、认知科学、运动、精神病学以及神经病学等。
当然除了特刊里的文章外，你还应该查看下以下的技术研究文章。（ps：本文仅分享与技术相关的文章）
### 基础软件文章
Huppert T. J., Diamond S. G., Franceschini M. A., Boas D. A., “Homer: a review of time-series analysis methods for near-infrared spectroscopy of the brain,” Appl. Opt. 48, 280–298 (2009)10.1364/AO.48.00D280 10.1364/AO.48.00D280
Ye J. C., Tak S., Jang K. E., Jung J., Jang J., “NIRS-SPM: statistical parametric mapping for near-infrared spectroscopy,” Neuroimage 44, 428–447 (2009)10.1016/j.neuroimage.2008.08.036 10.1016/j.neuroimage.2008.08.036
### 近红外基础理论
Lloyd-Fox, S., Blasi, A., and Elwell, C. E. (2010). Illuminating the developing brain: the past, present and future of functional near infrared spectroscopy. Neurosci. Biobehav. Rev. 34, 269–284.
Ferrari M., Quaresima V., “A brief review on the history of human functional near-infrared spectroscopy (fNIRS) development and fields of application,” NeuroImage 63(2), 921–935 (2012).
Gibson AP, Hebden JC, Arridge SR. Recent advances in diffuse optical imaging. Phys Med Biol. 2005;50:R1–R43.
Gratton E, Toronov V, Wolf U, Wolf M, Webb A. Measurement of brain activity by near-infrared light. J Biomed Opt. 2005;10:011008.
Delpy DT, Cope M, van der Zee P, Arridge S, Wray S, Wyatt J. Estimation of optical pathlength through tissue from direct time of flight measurement. Phys Med Biol. 1988;33:1433–1442.
### modified Beer–Lambert law修正版比尔-朗伯定律
Sassaroli A, Fantini S. Comment on the modified Beer–Lambert law for scattering media. Phys Med Biol. 2004;49:N255–N257.
Kocsis L, Herman P, Eke A. The modified Beer–Lambert law revisited. Phys Med Biol. 2006;51:N91–N98.
### 实验设计
Dale A. M., “Optimal experimental design for event-related fmri,” Hum. Brain Mapp. 8, 109–114 (1999)10.1002/(SICI)1097-0193(1999)8:2/3<109::AID-HBM7>3.0.CO;2-W 10.1002/(SICI)1097-0193(1999)8:2/3
Plichta M. M., Herrmann M. J., Baehne C. G., Ehlis A. C., Richter M. M., Pauli P., Fallgatter A. J., “Event-related functional near-infrared spectroscopy (fNIRS): are the measurements reliable?” Neuroimage 31, 116–124 (2006)10.1016/j.neuroimage.2005.12.008
### 伪迹检测与校正方法
Scholkmann F., Spichtig S., Muehlemann T., Wolf M., “How to detect and reduce movement artifacts in near-infrared imaging using moving standard deviation and spline interpolation,” Physiol. Meas. 31, 649–662 (2010)10.1088/0967-3334/31/5/004
Molavi B., Dumont G. A., “Wavelet-based motion artifact removal for functional near-infrared spectroscopy,” Physiol. Meas. 33, 259–270 2012 10.1088/0967-3334/33/2/259
Izzetoglu M., Chitrapu P., Bunce S., Onaral B., “Motion artifact cancellation in NIR spectroscopy using discrete Kalman filtering,” Biomed. Eng. Online 9, 16 (2010)10.1186/1475-925X-9-16
Cooper R. J., Selb J., Gagnon L., Phillip D., Schytz H. W., Iversen H. K., Ashina M., Boas D. A., \[“A systematic comparison of motion artifact correction techniques for functional near-infrared spectroscopy,” Front. Neurosci. 6, 147 (2012)10.3389/fnins.2012.00147] ()
Robertson, F. C., Douglas, T. S., and Meintjes, E. M. (2010). Motion artifact removal for functional near infrared spectroscopy: a comparison of methods. IEEE Trans. Biomed. Eng. 57, 1377–1387.
Barker J. W., Aarabi A., Huppert T. J., “Autoregressive model based algorithm for correcting motion and serially correlated errors in fNIRS,” Biomed. Opt. Express. 4(8), 1366–1379 (2013).10.1364/BOE.4.001366
### 统计参数模型
Deneux T, Faugeras O. Using nonlinear models in fMRI data analysis: model selection and activation detection. NeuroImage. 2006;32:1669–1689.
Friston K. J., Statistical Parametric Mapping: The Analysis of Functional Brain Images, 1st ed., Elsevier/Academic Press, Amsterdam, Boston: (2007).
Friston K. J., et al. , “Statistical parametric maps in functional imaging: a general linear approach,” Hum. Brain Mapping 2(4), 189–210 (1994).10.1002/hbm.460020402
### 脑机接口（BCI）
Coyle S, Ward T, Markham C. Physiological noise in near-infrared spectroscopy: implications for optical brain computer interfacing. Conf Proc IEEE Eng Med Biol Soc. 2004a;6:4540–4543.
Coyle S, Ward T, Markham C, McDarby G. On the suitability of near-infrared (NIR) systems for next-generation brain–computer interfaces. Physiol Meas. 2004b Aug;25(4):815–822.
Coyle SM, Ward TE, Markham CM. Brain–computer interface using a simplified functional near-infrared spectroscopy system. J Neural Eng. 2007;4(3):219–226
Sitaram R, Zhang H, Guan C, Thulasidas M, Hoshi Y, Ishikawa A, Shimizu K, Birbaumer N. Temporal classification of multichannel near-infrared spectroscopy signals of motor imagery for developing a brain–computer interface. NeuroImage. 2007;34(4):1416–1427.
#### 谢谢大家观看，如有帮助，来个喜欢或者关注吧！
本文作者：Chen Rui
文章仅限学习使用，不用于商业行为，若有侵权及疑问，请后台留言！
# 近红外脑成像实验设计（一）
**前言**
首先，我们思考下，前人大牛在fMRI实验设计中说过的一句话。 
**实验思考**
在fNIRS实验设计中同样适用，我们对大脑的活动的变化，就是通过这些神经影像来客观反映的，那我们的实验该如何呈现使大脑活动变化更能说明问题，这就是我们更要思考的。
在fNIRS近红外脑成像技术中来说，我们前期做实验设计要注意的三点：
（1）对大脑探测区域的锁定（比如，现在常见的做认知领域——前额叶；运动领域——运动区）
（2）对激活信号的预期特性
（3）研究的具体假设
以上涉及具体选择何种实验设计？Block design or Event-related (ER) design ?
**实验目标**
主要的设计类型有Block design and Event-related (ER) design.这两种是在近红外实验设计中最常见的设计方法。
Block design
这种设计总体来说出来的统计效力好，比较容易出效应结果，这也是一般做基础实验常用的方法。但是这种也会存在小瑕疵，估计的血流响应时间不是很准确，做多次重复实验后受试者容易产生反应定势，实验条件越多，所需要做的实验时长越长。
Event-related (ER) design
这种实验设计有比较好的Estimation，特别对于实验过程中产生的motion artifacts非常有效，因为这是非常明显的，在后期的数据分析中，有利于剔除。但是这种实验设计也会存在缺点 ——poor detection power ，因为在实验条件上，往往因为trial数不够，造成数据的不足。
**结尾**
当然，现在的实验设计更多的是以研究的具体假设来设计，但最基础的往往离不开以上两种常规的设计，可以有变式，在实验中加Jitter等，但遵循的规律是大同小异的。今天就浅谈到这里，我们后面再慢慢深入探讨相关具体的实验设计，小问题，大学问，还有很多小细节值得我们深思。
#### 谢谢大家观看，如有帮助，来个喜欢或者关注吧！
本文作者：Chen Rui
文章仅限学习使用，不用于商业行为，若有侵权及疑问，请发邮件至
# 近红外脑成像实验设计（二）
**前言**
实验设计总是一个说不完整的主题，继续前一段时间写的《近红外脑功能成像实验设计》的内容继续写关于近红外脑成像的实验设计。在前一篇文章主要介绍了近红外脑成像做实验设计的内容，关于信号源的布局、实验目的以及常见实验设计类型。今天，我们就再深入谈一谈这些内容以及实验设计中的变式方法。
**实验思考**
光源与探测器：
在近红外设备里都是会配置光源与探测器的组合，这是近红外设备中最重要的部分，同时也是对数据的重要影响。主要涉及下面三点：
1、光源与探测器不同的排布组合与探测的大脑位置；
2、启用光源数，对于部分设备设计到时间分辨率间的问题，
3、光源与探测器间的距离。
这三点是会对实验设计有一定的影响。目前而言，近红外脑成像主要探测的是局部血流的变化，所以目前不论哪家厂商的设备都是需要基于实验要求来排布大脑的探测区域。eg：NIRX厂商的光源与探测器可灵活自由排布，16 source x 16 detector的组合理论最大产生256ch，但是不同的排布产生的有效通道是有限的，其它厂商的设备有些是固定探测区的，有优势也有劣势；对于光源数，NIRX对于光源采用的是分时点亮，启用不同的光源数所涉及到时间分辨率就会不同，同样其它厂商也是有固定采样率的；对于光源与探测器间的距离则决定了光子穿行的路径，目前公认的最佳距离大约是30mm。这是光源与探测器对实验设计是否有效的影响主要因素。
**实验设计类型**
不同的实验设计带来的大脑血流变化是不同的，我们正常的血流变化示意见下图的HRF signal。
对于上篇文章中提及的Block design的实验设计，它的血流变化，理论上应该是如下图： 
同理，其它的实验设计中也会根据不同的条件产生不同的血流信号。接着，我们来谈谈Jitter ER和Mixed design的设计。这两种设计在近红外中并不常见，但也是能探测大脑活动的方法。
Jitter ER：这种方法的实验设计是能区分不同条件下单trail下的大脑活动变化，有很好的检测率，能提取出每个trial下的β值，但是却HRF估计值是不那么准确的。加上Jitter的好处在于可以使大脑波动更强烈一点，这有点像做脑电实验的trial。 
优势：
较高的探测率
实验不可预测
受试者不会固定思维
缺点：
无法跟block design比较
非线性的变化
HRF模型中可能会引入新的误差
Mixed design：这种实验设计的好处在于既能区分单trial下的活动，也能和block设计下的活动作对比，但是，同样不可避免的是在event设计下的也会产生估计误差。混合设计是集合了Event design和Block design的设计，这种方法在后期处理中较复杂，在近红外的实验中不常见。
**结尾**
实验设计是一个说不完全的故事，想要做出好的数据质量，好的实验设计是开始成功的一小步，在数据成型过程中，掌握好这些是基础更是迈向新阶段的开端。
参考文献
Culham, J. C. (2006). Functional neuroimaging: Experimental design and analysis. Book chapter in R. Cabeza and A. Kingstone (Eds.), Handbook of Functional Neuroimaging of Cognition (2nd ed.)
#### 谢谢大家观看，如有帮助，来个喜欢或者关注吧！
本文作者：Chen Rui
文章仅限学习使用，不用于商业行为，若有侵权及疑问，请发邮件至
# fNIRS中基线的做法和注意事项
对于信号的分析，不论是脑电的数据分析还是近红外的数据分析，基本上都会遇到一个参考基线的问题，这是很多童鞋和老师会疑惑的一个关键点。为什么要使用基线以及如何正确的使用。
在本文中，小编主要介绍近红外的基线问题，对于脑电数据分析中的基线在小编的脑电数据分析系列文章中会进行完整的阐述。
目前我们使用的近红外所使用的光源发射方式，大多数是采用连续波长，对于完全采集绝对路径的信号是无法进行采样，所以在当前所评估的血红蛋白的指标中，总是对相对于另一个时间点的变化进行测量评估，例如，如果您研究响应刺激的氧合变化，您实际上正在测量在呈现刺激之前的短时间与之间的响应变化。刺激前的时期通常被称为基线。
**什么是基线以及如何使用它？**
对于那些刚刚开始使用NIRS技术的科研人员来说，有些不清楚测量结果是什么意思。测量的数据相对于什么，为了解释这一点，我们来说说基线的起源。
最常用的NIRS是“连续波”CW-NIRS，它基于修正的Beer-Lambert定律，使用连续发射光源，近红外光进入大脑组织有可能发生散射（改变其方向）又可能被吸收的光学特性来研究大脑活动水平。散射和吸收都是CW-NIRS提供相对测量的原因。
当把手指放在红色激光指示器前时，散射效果清晰可见。你会看到你的整个手指亮起来，而不只是一条直线，光散射在组织中。因此，如果您直接测量手指上的激光，则根本没有吸收，也不会通过激光指示器接收100％的发射光。
\
我们可以假设这种在所有方向上的散射是恒定的，所以如果我们测量接收光的变化，那么光从光源到接收器的路径中的吸收肯定是会发生改变。
现在使用近红外光来对大脑的研究，利用了近红外光在大脑组织中血红蛋白对光的特性，近红外光进入大脑组织大部分的吸收是由血红蛋白引起的，这就是为什么我们可以利用NIRS进行测量的原因。然而，光也会被其他组织（例如脂肪组织，毛发，皮肤、颅骨、脑积液等无关组织）吸收，但这是无法避免的。所以，我们假设在测量期间这种吸收是恒定的，并且接收光的任何变化都是由**血红蛋白吸收的变化**引起的。既然血红蛋白发生了变化，那么就会存在“起始状态”，对于CW-NIRS使用探测器接收到近红外光的变化，根据Mod Beer-Lambert定律来计算血红蛋白浓度的变化，那么，对于这个变化来说总是相对于“起始状态”或基线的。
CW-NIRS只能测量浓度的变化，因此无法提供起始浓度（通常设置为任意零点）。但是，它可以提供由任何任务或研究的状态引起的基线变化（例如收缩肌肉或增加大脑某部分的活动）。这种变化以毫摩尔每升（mmol/liter or mM）定量。有可能是正值，意味着来自任务或研究状态的激活；也有可能是负值，意味着自任务或研究状态的相对浓度降低或抑制。
**如何使用基线？**
想要获取较好的基线可能比理论状态下获取更困难。我们可以在数据中使用任意一个时间点并将其设置为零（通过采集到所有数据点中减去该值），或者可以在特定时间（例如开始的静息态1分钟）内获取基线得到该平均值然后通过采集到的所有数据点减去该值。如果时间条件下允许，在测量结束时记录另一个基线也是极好的。如果结束时的基线与初始基线没有显着差异，则可以对数据质量有足够的把握。
**基线不应该做的**
不要比较组之间的基线平均值。平均值是任意的，在可能状态下设置为零。在基线和任务之间不要有连续的刺激。因此，在fNIRS中，在每个刺激之前通常存在可以用作基线的rest时间。
**总结**
这期的文章中仅仅只是从理论状态上说明了使用基线的重要性，这也是只针对近红外的基线，当然在脑电数据中也是存在刺激前的基线校正，总之，在使用近红外技术对大脑研究时，尽可能的将基线的设定是在较平稳的状态下，这同时也是判断实验设计好坏的根据之一。
#### 谢谢大家观看，如有帮助，来个喜欢或者关注吧！
本文作者：Chen Rui
文章仅限学习使用，不用于商业行为，若有侵权及疑问，请发邮件至
# fNIRS近红外光信号质量影响因素
很多神经科学的研究技术来说，干扰伪迹是不可避免的。正如小编在前面汇总的脑电伪迹来源——《[EEG信号伪迹来源及可能原因分析](http://mp.weixin.qq.com/s?__biz=MzIyNTYyNzk0Mg==\&mid=2247484119\&idx=1\&sn=61b9dff12b117eb21ff3cb95a270d1d6\&chksm=e87d989edf0a11886d95f7c2f51a0984ffbd704a43b7503e770bab49433db91cfc5910b91c9e\&scene=21#wechat_redirect)》一样，在进行fNIRS近红外实验时，虽然说受到的干扰因素会比EEG信号来源小很多，但是不可避免的是fNIRS技术在采集数据时还是会存在一些伪影。那么这些伪迹来源哪些方面？
在开始分析伪迹来源之前，推荐两篇近红外伪影的校准技术的比较paper，大家查阅。
第一篇文献：
\[NeuroImage 2014] Motion artifacts in functional near-infrared
spectroscopy: A comparison of motion correction techniques
applied to real cognitive data
第二篇文献：
\[Frontiers in Neuroscience 2012] A systematic comparison of
motion artifact correction techniques for functional nearinfrared
spectroscopy
这两篇也是今天文章的主要来源之一。想要多学习近红外知识，必不可少的是多查阅文献，前一段时间还想着能给大家推荐几本fNIRS的书籍，查阅了半天没什么合适的，后又去问了崔旭大牛，问起他如何学习近红外的，他说道多看文献，多交流，多思考，多总结就是了。
fNIRS伪影来源哪些方面？
近红外中的伪影主要来源三个方面：
1、受试者本身的生理噪声
2、外部的运动伪影（这是主要来源）
3、光极间的接触（即信号的评价）
近红外实验中，生理的信号噪声是无法在采集的时候剔除的，这是血流的特性决定的，fNIRS测量通过设备发射近红外光源和接收从组织反向散射的光的检测器，来推断血流的变化过程。这其中不可避免生理运动过程——
Heartbeat(心跳)：周期性变换1次/秒，大概的频率范围1Hz。
respiration（呼吸）：周期性变化0.4次/秒，大概的频率范围0.4Hz。
bloodpressure（血压mayer waves）：这可很接近我们想要的信号频率，这种是很微小的变化，一般我们也很少在意它，频率范围0.1Hz左右。
这是第一个生理的信号干扰，虽然是不可避免的，但是这也是检测信号质量的另类的方法，查看在采集中是否存在这些信号也是评价设备以及信号质量的评价之一。
运动伪影：这是fNIRS信号采集中最大的阻碍，虽然很多厂商都会跟你说，近红外设备可以用来做跑步，音乐表演，研究婴儿和多动症儿童的研究，这的确是近红外的优势之处，但是也避免不了运动诱发的伪影的可能，只是这种伪影相比较明显而稳定，可以在分析数据中应用多种方法（样值插条，小波滤波，主成分分析等）将这种伪影剔除。
运动伪影的特征通常在于幅度大于血流动力学变化的信号变化。它们的波形形状、频谱及时间点均不同，它们可以是高幅度、高频尖峰，在数据波形中很容易发现检测到，也可以是较低的频率变化，并且与正常的fNIRS的信号很难区分。一般来说，运动伪影可分为三类：高频尖峰（A high-frequency spike）、基线偏移（A shift from the baseline intensity）和低频变化（Low-frequency variations）
高频尖峰信号：
基线偏移：这是可能在采集过程中突然发生某种变化导致记录到的信号突然向上或者是向下移动而不再回到之前的基线上，这是可能出现的。
低频变化：这个很难辨别出来，这需要大量的数据分析经验。
最后一个来源是探头与头皮间的接触问题，这个是做近红外实验头疼的地方，虽然没有像脑电那样需要打导电膏，但是对于亚洲人种，黄皮肤、黑头发的我来说，也是一大难题。除了前额叶少拨点头发，测量其它区域没少拨头发。这个地方如果存在接触不好，将会导致头动的高频信号干扰，特别注意，不要将探头的重量全部置于受试者头部了，这将极其难受且容易造成信号干扰。
今天就fNIRS信号的干扰伪影说这么多，至于校准的方法，可以参考Homer2中的应用条目，但是更多的前提是你需要了解这些算法的含义，在后面的更新中，我也希望能写点关于这方面的内容。
谢谢大家观看，如有帮助，来个喜欢或者关注吧！
本文作者：Chen Rui
文章仅限学习使用，不用于商业行为，若有侵权及疑问，请发邮件至
# 近红外数据处理过程
功能性近红外脑成像技术（fNIRS）变得越来越流行，越来越多的研究人员发现了fNIRS的优势及其许多应用。优势内容，可以参考之前写过的与其它技术的对比《 [EEG vs MRI vs fMRI vs fNIRS](http://mp.weixin.qq.com/s?__biz=MzIyNTYyNzk0Mg==\&mid=2247484560\&idx=1\&sn=d3a3941c7393f70daa8581b99f280cbd\&chksm=e87d9ed9df0a17cf8175a42bc8ede821be2a3aaa813e5a086eb1814bd829ddb90e9aae4bcb97\&scene=21#wechat_redirect)》，对于应用部分，fNIRS的应用已经数不过来了，有医学诊断领域的[《fNIRS | 大脑活动可以揭示自闭症特征的严重程度》](https://mp.weixin.qq.com/s?__biz=MzIyNTYyNzk0Mg==\&mid=2247486525\&idx=1\&sn=e5964a4ec7da7d20bf522431a324eb9b\&scene=21#wechat_redirect)，也有很多基础研究的，比如：fNIRS与超扫描、fNIRS与虚拟现实、fNIRS作为驾驶研究的工具、fNIRS用于神经经济学和神经人体工程学研究、fNIRS与认知科学等等。
结果，关于分析fNIRS数据的适当方法也有了更多的发展。当前，有很多方法可以分析数据，借助厂家的分析软件或开源独立的工具箱和Matlab工具箱等。在脑成像的数据结果处理中，可以说没有绝对的标准流程来进行，每个人可以有自己的处理方式，不论是EEG/ERP还是fNIRS的数据亦是如此，但是在预处理阶段，还是很有共性的，该处理的步骤还是需要进行处理的。今天我们就来简要谈谈预处理 阶段的处理过程。
**工具箱：请参考文章《** [**fNIRS分析工具箱**](http://mp.weixin.qq.com/s?__biz=MzIyNTYyNzk0Mg==\&mid=2247484742\&idx=1\&sn=9493a1a12cda3f705bbe2a690552c764\&chksm=e87d9f0fdf0a1619492f8a3954d787852615a011cdb9f1c46f9892e0347a20f839b298cfe777\&scene=21#wechat_redirect)**》，**当然处理文章中提到的工具箱外，还特别推荐NIRS-KIT和FC-NIRS，它是中国人开发的免费工具箱，比较力荐。
**在之前我也转载了UCLA发布在油管上的整套fNIRS技术的采集到数据展示的视频，可以参阅一下，《** [**近红外视频学习笔记系列教程完结**](http://mp.weixin.qq.com/s?__biz=MzIyNTYyNzk0Mg==\&mid=2247484970\&idx=1\&sn=0b48aa7d503e80cb434c7fae30f908d7\&chksm=e87d9c63df0a15752ad0c7aef816630f5cb27b0f52d316597fd732ad70c83bce460c4f24636c\&scene=21#wechat_redirect)**》**
**一般的工作流程：**
每个工具箱都以各自不同的方式处理，步骤的顺序并没有统一的规定，可能在每个工具箱也有所不同，但是大体上的工作流程都差不多，在这里我仅描述建议的操作顺序：
**——来自Pinti et al., 2018**
**1.采集数据过程**
依据各厂家设备而定，基本上会涵盖实验设计部分和头皮定位问题，实验设计部分可以参考之前发布的文章《[近红外脑功能成像实验设计(2)](http://mp.weixin.qq.com/s?__biz=MzIyNTYyNzk0Mg==\&mid=2247484093\&idx=1\&sn=dfe1931de69ebace522c8b84f6b363af\&chksm=e87d98f4df0a11e203d83bca0b27419fba6b9a4e732a788b598426ab5557db45d00da09767b8\&token=840446278\&lang=zh_CN\&scene=21#wechat_redirect)》，定位问题除了常规的10-20系统外，还建议阅读朱朝喆老师最近发布的经颅脑图谱定位参考。
**2.数据格式转换问题**
每个厂家所自带的格式均有所不同，例如日立的.csv、岛津的.txt、NIRX的文件夹或.nirs等，但基本上都包含了原始光学数据，通道位置，数据时间戳和可能的事件标记等。在openfnirs.org网站上，它有一个标准的格式.snirf，它其实是Homer3工具箱的通用格式，因此如果你想使用它来进行预处理的话，就需要进行数据格式的转换，可以参考我之前写过的Homer2的教程—[《近红外分析软件Homer2教程》](https://mp.weixin.qq.com/s?__biz=MzIyNTYyNzk0Mg==\&mid=2247484996\&idx=1\&sn=fae2bff51b400509590de4fe1784f07b\&chksm=e87d9c0ddf0a151bcdac4a1efbe94303365e184b913d258091671321c60d5f5c7feab65ec633\&scene=21#wechat_redirect)以及《 [ Homer3简介和使用](http://mp.weixin.qq.com/s?__biz=MzIyNTYyNzk0Mg==\&mid=2247485393\&idx=1\&sn=b57c6fc97b360eb32dbeb3caf3183db5\&chksm=e87d9d98df0a148ebf7c02c1587754c59f5d510b554ac4d619d201f52cf773378fe231c2160f\&scene=21#wechat_redirect)》
**3.数据预处理**
3.1伪影处理
虽然fNIRS的设备都有比较好的抗干扰能力，但是在采集过程中，同样也不可避免的一部分数据也会被伪影干扰，这些伪影可能是系统性伪影（心跳、呼吸灯），也可能是外在因素（运动），具体可以参考文章《 [fNIRS近红外光信号质量影响因素](http://mp.weixin.qq.com/s?__biz=MzIyNTYyNzk0Mg==\&mid=2247484722\&idx=1\&sn=b6458c7b703a75ef787a28358268b483\&chksm=e87d9f7bdf0a166dddd5872aad36d00625a068872318a5f95c37efeaed28efe054940e77e018\&scene=21#wechat_redirect)》。这两种不同的伪影需要对数据质量的好坏进行判断，第一步就需要对变异系数进行判断以删除信号不好的通道；第二步就通过卡阈值的方法进行手动剔除和自动检测剔除。后面就可以通过样值插值的方法进行补救数据。可以参考Homer2里的函数部分。
**3.2 滤波**
对数据滤波是一个非常常规的操作，目的就是去掉不需要的频率信号并保留属于fNIRS的频率信号，这里跟EEG一样同样有多种过滤器类型可供选择，但是在大多数文献和软件上自带的过滤频段集中在0.1Hz以下，为什么是这个数值？可以参考文献《Current Status and Issues Regarding Pre-processing of fNIRS Neuroimaging Data: An Investigation of Diverse Signal Filtering Methods Within a General Linear Model Framework》这里阐述了过滤器的不同选择
**3.3 分段**
这个操作跟做ERP很类似，如果是任务态的数据，基本上都会打marker，以提取相同刺激类型的血流动力学数据，通过叠加平均获得总体的效果。通常情况下，取刺激前5-10s和后10-20s为节点进行。
**3.4 基线对比**
在很多时候，近红外的数据分析是相对比对基线的变化量进行的，为什么会这样呢?一个重要的原因是，当前使用的近红外基本上是通过连续波发射的红外光，仅能测得当前区域的相对血流响应的变化，因此，确定好基线是一个非常重要的过程，不论是采集过程还是数据分析过程。参考文章《 [fNIRS中基线的做法和注意事项](http://mp.weixin.qq.com/s?__biz=MzIyNTYyNzk0Mg==\&mid=2247484268\&idx=1\&sn=f03ee2786954b6b0d85c845c0ee49358\&chksm=e87d9925df0a1033f86fb5265fe4db50383c415c7c5dc740ee8346ed27159940262c132443ec\&scene=21#wechat_redirect)》
**3.5 将光密度转换为血氧浓度数据**
修正版的Lambert-Beer定律将fNIRS设备测得的光密度转换为含氧血红蛋白和脱氧血红蛋白浓度的相对变化。
**4、叠加平均（Block Averaging）**
对于任务态数据的常规做法，查看随时间变化的血氧动力学变化。
**5、统计分析（SPM）**
它其实是参考了fMRI的分析方法，统计参数映射是指用于测试有关功能成像数据的假设的空间扩展统计过程的构建和评估。其实就是把将空间位置与血液动力学的信号相结合，查看每条件下的激活区域，展示大脑区域。这一部分还很重要和稍有难度，从这里得出相对应beta值后，就可以进行后面统计学效应分析，得出P值，那你的实验部分就大功告成了，希望都能得出小于0.05的p值。
fNIRS公共数据集搜索方法：
#### 谢谢大家观看，如有帮助，来个关注或者转发吧！
本文作者：陈锐
# 近红外常用的数据分析软件网址
本文首发在个人博客上（[**7988888.xyz**](https://7988888.xyz/)），此文章中所有链接均通过博客进行访问。
对于想要了解近红外硬件的可参考学术导航网址：
常见分析软件：
### • Homer3
Homer3是Matlab应用程序，用于分析fNIRS数据以获得大脑激活的估计图
资源介绍：
### • Homer2
资源介绍：
### • NIRS-SPM
资源介绍：B站搜索关键词“NIRS-SPM”
### • FC-NIRS
FC-NIRS是用于近红外光谱数据的功能连通性分析工具，该软件包的功能包括预处理，质量控制，FC计算和网络分析。
资源介绍：B站搜索关键词“FC-NIRS”
### • NIRS-KIT
NIRS-KIT是基于Matlab的工具箱，用于任务和静止状态fNIRS数据分析。适合分析Hitachi和shimazhu的采集数据
资源介绍：
### • NIRS-toolbox
NIRS-toolbox是匹兹堡大学的Huppert实验室建立的近红外数据分析工具箱。
资源介绍：
### • MNE-Python
用于在Python下的分析MEG/EEG/fNIRS工具箱，可以使用读取NIRx记录`mne.io.read_raw_nirx()`
• BrainStorm3:
### • Nirstorm
Nirstorm是基于brainstorm3插件的分析fnirs数据的工具。
一些近红外公司的软件（也是免费下载）
### • Open PoTATo
Open PoTATo是基于Hitachi，Ltd.开发的光学分析工具软件平台（通常称为POTATo）开发的。进行信号预处理，统计分析和可视化。
### • NIRSlab
NIRSlab是NIRX自带的光学分析平台。
预处理资源
此资源公开在GitHub上，遵守CC-BY-NC协议。
代码：[https://github.com/smburns47/preprocessingfNIRS]()
视频：可查看BrainTechnology之前推送视频
近红外定位的参考fOLD
该工具箱允许基于五种分割方法的解剖学界标的光极探头布置，也可以加载fMRI数据（NIfTI或ANALYZE）作为fNIRS光极位置。
## 谢谢大家观看，如有帮助，来个喜欢或者关注吧！
本文作者：Chen Rui
# 眼动追踪技术
简单地说，眼动追踪是测量眼睛运行的过程。眼动追踪研究的最关注的事件是确定人类或者动物看的地方（比如：“注视点”或“凝视点”）。更准确来说是通过仪器设备进行图像处理技术，定位瞳孔位置，获取坐标，并通过一定的算法，计算眼睛注视或者凝视的点，让计算机知道你正在看哪里，何时看的，为什么看的？眼动追踪技术是历经了一个长期的发展过程才慢慢成熟起来的。这个过程也见证了眼动技术的成长，目前热门的眼动追踪技术主要是基于眼睛视频分析（VOG，Video oculographic）的“非侵入式”技术，其基本原理是：将一束光线（近红外光）和一台摄像机对准被试者的眼睛，通过光线和后端分析来推断被试者注视的方向，摄像机则记录交互的过程。为此，现在的研究者通常使用基于视频的眼睛跟踪器，如Eyellink 1000 Plus。基于视频的眼睛跟踪器，除了监视注视，还可以显示其它有用的测量指标，包括瞳孔大小和眨眼率等。
\
**眼动追踪原理**\
**眼动追踪最常见的一个基本原理是“脑-眼假说”。它认为，我们在看某些信息时，这是我们的大脑在控制的。所以说，通过监测眼动的变化，就可以推断出大脑中正在发生的事情。**
\
为了更好地理解“眼-脑假说”，有必要简要解释一下眼睛生理构造。视网膜上的中央凹只有相对很小的一部分，但包含足够密集的视锥细胞（对颜色敏感的细胞），可以非常详细地分辨视觉世界。中央凹本身仅覆盖1-2度视角（视角在后期的文章中会介绍）的区域。场景的其余部分则主要由视杆状细胞处理。视杆细胞：对暗光敏感，光敏感度较高，但分辨能力差，在弱光下只能看到物体粗略的轮廓，可以检测到较大的形状和变化，但不能检测到精细的运动过程。下图显示了视锥细胞和视杆细胞的密度和分布。
**眼动与眼动假设**
由于相对较小中央凹，大脑在控制眼睛运动时，大约要做出非常重要的决定：
眼睛应该怎么样移动？眼睛什么时候移动？眼睛移动到哪里去？
Saccades are decisions: Each time we move our eyes we have had to decide where to move them to and when to move them.
–These decisions are not based purely on “exogenous” information (such as stimulusonset / contrast).
这些决定受许多因素影响，例如我们以前对类似情况的经验以及我们当前的情绪状态等。
–Like all decisions, the outcome can be influenced by our expectations, memories,intentions, predictions, beliefs, desires, goals, personalities etc
这些相同的因素也可能影响着我们对下一步目标的决定。我们的意图，目标，期望，记忆，信念，甚至我们的性格类型都会影响我们选择看的地方等等。
眼动追踪如何工作
所有SR Research EyeLink系统都采用基于视频的眼动仪，其它大多数市面上销售的眼动仪也是如此（如果不是，请慎选）。那么基于视频的眼动追踪实际上是如何工作的呢？
### 眼动追踪如何运作？
所有基于视频的眼动追踪的核心是一个或多个摄像头，它们可以拍摄一系列的眼睛图像。**无论是EyeLink 1000 plus和便携式Portable Duo的仪器均使用能够每秒拍摄多达2000张双眼图像的摄像机。**EyeLink系统在距所拍摄眼睛图像不到3毫秒内，即可计算出受试者正在看屏幕的坐标位置，并将此信息传递回控制刺激信号的计算机。眼动跟踪软件使用图像处理算法来识别眼睛跟踪相机发送的每个图像上的两个关键位置—瞳孔中心和角膜反射中心。角膜反射点是固定光源（红外照明器）的发出的光在角膜上反射回来的点，如下图所示。
### 瞳孔角膜反射（Pupil-CR）眼动追踪
眼睛旋转时，相机传感器上瞳孔中心的位置会改变。但是，（当头部稳定时），角膜反射（CR）的位置相对固定在摄像头传感器上（因为反射源不会相对于摄像头移动）。下图说明了当眼睛向前看，然后旋转到一侧然后再旋转到另一侧时相机所看到的眼图像。如您所见，CR的中心保持在大致相同的位置（就相机像素坐标而言），而瞳孔的中心在移动。
如果眼睛完全固定在空间中并简单地绕其自身的中心旋转，则仅在摄像机传感器上跟踪瞳孔中心的变化就可以确定注视/凝视的位置。实际上，仅瞳孔跟踪仍可以在某些头戴式或基于“眼镜”的眼动仪中使用，无论头部如何移动，相机和眼睛之间的关系都保持相对固定。但是，对于台式或遥测式眼动仪，即使使用下巴/前额托来稳定头部，也无法防止头部的微小移动（与眼睛相反），并且这些头部动作也会改变瞳孔的位置在眼睛跟踪相机传感器上。
### 角膜反射点很重要
在上面情况下，瞳孔和角膜反射都在相机传感器上移动。那么，眼动仪如何区分由眼睛旋转引起的相机传感器上的瞳孔位置变化与由头部运动引起的瞳孔位置变化呢？还有一点很重要的是，随着头部的移动，瞳孔中心和角膜反射中心之间的关系保持不变，而当眼睛旋转时，该关系发生变化。当前的基于视频的眼动仪利用Pupil-CR关系中的这种差异来补偿头部运动。在“ Pupil-CR”跟踪中，CR位置的变化实际上是从“瞳孔”位置的变化中“减去”的。
### 眼动追踪如何帮助研究？
通过分析眼动数据，例如人们注视位置以及注视时间，研究人员可以获得对涉及多种行为的多种认知操作的解释。例如，利用眼动追踪数据，消费者研究人员可以研究购物者如何做出购买决定，应用研究人们可以知道放射科医生如何解释X射线图像。语言研究人员可以使用眼动追踪来检查人们如何阅读和理解口语。此外，通过研究婴儿，儿童和成人，发育研究人员可以了解这些过程如何发展和变化。通过研究患有阿尔茨海默氏病或精神分裂症等疾病的患者的眼球运动，临床研究人员可以深入了解疾病过程本身。**通过将眼动追踪与EEG，fNIRS和fMRI等其他神经影像技术相集成，研究人员可以获得更多的认知理解。**
**本文内容参考EyeLink眼动仪博客文章，仅学习使用，不作其它用途。**
# 眼动追踪技术的方法
本文首发在个人博客上（[**7988888.xyz**](https://7988888.xyz/)），此文章中所有链接均通过博客进行访问。
眼动追踪技术已成为心理学，神经营销学，神经认知，用户体验，基础研究及市场研究等多个领域视觉行为和人类行为的技术手段之一。该技术还可以用于医学分析和筛查。从眼动的历史发展进程来看，早期的眼动追踪系统是侵入性的且不能移动，受限非常严重，仅在有限的实验中使用，并且在现在社会受到伦理方面的考验。随着眼动追踪系统的发展，现代的眼动追踪系统利用红外光进行捕捉眼球运动，该系统是非侵入的且更加方便易用。在本文中，我将介绍眼动跟踪技术，并讨论大多数系统用于跟踪眼睛的方法。
#### 眼动追踪技术原理
这部分内容可参考之前写过的文章[**《眼动追踪技术》**](https://zhuanlan.zhihu.com/p/101479231)
#### 眼动追踪方法
• 早期尝试Early attempts (mechanical/optical) • 眼电Electrooculography (EOG) • 红外边缘反射IR limbus reflection (limbus tracking) • 搜索线圈Search coil • 基于视频的眼动追踪Video-based eye-tracking
眼动追踪方法经历了从早期观察到侵入式再到非侵入式的发展过程。
**早期眼动追踪技术**
早期眼动追踪技术主要分为观察法、机械记录法、眼电记录法和电磁感应法。
在早期眼动追踪中，通常是直接观察的，这种方式非常的粗略。在最初的自动化系统追踪中，使用的是一种与眼睛直接接触的搜索方法，通过将一个橡胶吸盘吸在眼球表面，发明了第一个可以记录数据的眼动仪，这种眼动仪非常的不方便，且不舒适。
[](https://tva1.sinaimg.cn/large/007S8ZIlgy1ggp1mt9ywyj316i0ek7wh.jpg)
还有一种是通过光学的方式进行，是利用照相的方式连续拍摄眼动轨迹。
[](https://tva1.sinaimg.cn/large/007S8ZIlgy1ggp1s9wdtxj30hf07y79r.jpg)
在眼动追踪技术发展中，眼电电位的记录也能记录下眼动轨迹的过程。但是这种方式不是很准确，常用于脑电中记录眼动产生的电位信号来消除眼电伪迹。
[](https://tva1.sinaimg.cn/large/007S8ZIlgy1ggp1xi4998j316q0fkgr8.jpg)
最早的眼动追踪电子系统之一是电磁巩膜搜索线圈。它们被嵌入到专用的隐形眼镜中，并且将导线连接到记录设备。根据眼睛运动产生的感应电压来记录眼动轨迹，该系统具有很高的精度和速度，但是在进行实验时是侵入式的，且需要先麻醉人的眼睛，将实验用的设备吸附早眼球上，通常的实验环境是在法拉第笼中，该方法对参与者的眼睛影响较大，有一定的生理伤害。
[](https://tva1.sinaimg.cn/large/007S8ZIlgy1ggp2q02ka5j31200meh32.jpg)
后来的双眼浦肯（Purkinje）成像系统（DPI）等眼动追踪设备虽然没有物理接触到眼睛，但仍需要一个咬合棒来稳定头部，并且允许的视野很小（但分辨率和准确性很高）。
[](https://tva1.sinaimg.cn/large/007S8ZIlgy1ggp2qfcpd8j30ei0ao46i.jpg)
**非侵入式的眼动追踪方法**
从20世纪开始以来，随着摄像技术，红外技术和计算机技术的发展，科学家就尝试使用基于视频的眼动追踪方法，推动了基于红外高精度眼动仪的研发。
非侵入式眼动技术主要采用的追踪方法主要有巩膜一虹膜边缘法、瞳孔追踪方法、瞳孔一角膜反射法。
巩膜一虹膜边缘法
此方法首先利用红外光照射人眼，在眼睛附近安装的两只红外光敏管用来接收巩膜和虹膜边缘处两部分反射的红外光。接收到的红外光会随着眼睛的运动而变化，当眼球向一侧运动时，虹膜就转向这边，这一侧的光敏管所接受的红外线就会减少;而另一侧的巩膜反射部分增加，导致这边的光敏管所接受的红外线增加。利用这个差分信号就能无接触的测出眼动。这种方法的水平精度较高，垂直精度较低、干扰大、头部误差大。
[](https://tva1.sinaimg.cn/large/007S8ZIlgy1ggp340mftqj315q0em43y.jpg)
基于视频的眼动追踪
在现在大多数基于视频的眼动跟踪系统都包括一个红外摄像机，红外光（IR）照明器以及用于瞳孔中心检测和伪影排除的眼动追踪算法，图像处理和数据收集由专用硬件处理或者由计算机（Host PC）或软件处理。基于红外的照明具有多个优点：参与者在很大程度上看不到照明，并且可以通过波长过滤来自人造光源的伪影。
1、瞳孔追踪方法
在现在眼动仪中常用的两种近红外眼动追踪技术：明瞳和暗瞳。它们的差异基于照明源相对于光学系统的位置。如果照明与光路同轴，则当光从视网膜反射时，眼睛将充当反射器，从而产生类似于红眼的明亮瞳孔效果。如果照明源偏离光路，则瞳孔会变暗，因为来自视网膜的回射被定向为远离相机。
[](https://tva1.sinaimg.cn/large/007S8ZIlgy1ggp3p0c89bj30ps0agdjd.jpg)
——来自维基百科
2、瞳孔-角膜反射追踪方法
首先利用眼摄像机拍摄眼睛图像，接着通过图像处理得到瞳孔中心位置。然后把角膜反射点（黄色斑点）作为眼摄像机和眼球的相对位置的基点，根据图像处理得到的瞳孔中心即可以得到视线向量坐标，从而确定人眼注视点。
[](https://tva1.sinaimg.cn/large/007S8ZIlgy1ggp3wkjmy1j30i20h6gta.jpg)
在找到较好的瞳孔-角膜反射点后，通过一些校准程序，找出瞳孔与角膜反射点间组成的向量与屏幕注视点之间的映射函数，然后通过检测瞳孔-角膜向量的变化量，实时跟踪出人在屏幕中所凝视的兴趣点。
校准和验证方法
由于人眼形状，大小，结构，存在个体差异，眼睛球面上的点在摄像机参照系中的投影点位置和眼睛转动角度之间存在非线性关系，并且视线估计方向与真实视线方向有模型误差，所以视线跟踪系统需要校准环节。
所以在进行眼动实验前，一般会进行眼动校准过程，这是一种算法，将眼睛的物理位置与受试者正在注视的空间点相关联。在此过程中，该算法将会测量受试者眼睛的特征（图像），包括角膜、瞳孔与反射信息等来计算眼动数据过程。在校准过程中，受试者需要观察刺激屏幕上特定位置出现的点，此点被称为校准点。在此期间，眼动仪会对采集到的几幅眼睛的图像进行分析。
[](https://tva1.sinaimg.cn/large/007S8ZIlgy1ggp49rrip6j310u0da0tw.jpg)
校准点可以是一点，也可以是3点、5点、9点以及13点，校准点数依据实验任务的不同而不同，该算法在每个目标的眼睛位置（减去CR）和注视位置之间创建数学转换，然后创建一个矩阵来覆盖整个校准区域，并在每个点之间进行插值。使用的校准点越多，在整个视场中的精度就越高，越均匀。
在EyeLink系统中，除了校准过程外，还有一个过程是验证过程。因为在大多数时候校准是需要受试者一定的配合和能力的，因此在大多数情况下，需要进行验证校准过程产生的误差。比如：以下9点校准。
[](https://tva1.sinaimg.cn/large/007S8ZIlgy1ggp4j4d7j1j31440ho44n.jpg)
当进行完验证过程后，会在右下角报告当前追踪研究的误差值，当平均值小于1度，最大值小于1.5度时，会显示绿色，说明是GOOD；当平均值小于1.5度，最大值小于2度时，会显示灰色，说明是FAIR；当平均值大于1.5度，最大值大于2度时，会显示红色，说明是POOR，在大多数情况下，需要调整到GOOD情况下，才能被允许进行实验数据的收集，对于大多数实验来说，超过1度被认为是校准失败，需要再次校准。
#### 方法的局限性
虽然现代的眼动仪发展的已经非常好了，软件界面也非常人性化了。但是不可避免的还是会存在一些功能上的限制。
1、瞳孔遮挡
在当前的眼动仪中，很明确的需要瞳孔无遮挡的视线，浓厚的眼睫毛有可能会被误认为瞳孔，从而使眼动追踪无法继续进行，当然，在绝大多数时候，即使瞳孔被部分遮挡，当前的眼动仪也可以根据算法确定中心，但是在某个点上，如果被遮挡足够多，眼动追踪也会无法继续进行。我们目前依然保持着较高的信心，这种情况发生的事件很小。
2、眼部化妆
简单来说，做眼动实验前，要求受试者不要化眼部妆，而且不要带美瞳，它会造成红外的照射不能完全捕捉瞳孔区域。
3、眼睛度数
一般建议是超过800度以上的或者是有严重的散光的被试，将会被排除在外。任何眼镜都会使拍摄的眼睛变形，有可能会减少一些反射的红外照明光源，在现代的眼动仪中，能追踪到低度数的眼动，这是可以的，但是也需要注意，在进行实验时，尽可能的不戴有黑色镜框的眼镜，它可能会遮挡或被误认为瞳孔区域进而眼动追踪无法继续。
更多的实验环境细节可参考文章**《眼动追踪中获取高质量数据的5个最佳设置》**
#### **本文部分内容参考EyeLink学习资料，仅供学习使用。**
#### **谢谢大家观看，如有帮助，来个喜欢或者关注吧！**
**本文作者：Chen Rui**
# 眼动研究中公共数据集
在前一段时间，我们进行了线上的直播教学，有很多实操的部分需要眼动数据来操作，这部分直播内容可以在B站上搜索到，其中涉及到数据集的问题，有人问我要相关的数据集。其实，在很多软件中，有自带的数据集，比如EyeLink软件中DV可在SR Research文件夹中搜索到。当然，除此之外，我们还可以利用眼动研究中公开的数据集。今天为大家整理一些可以搜索到眼动数据集的数据库。
今天为大家主要介绍以下几个可以搜索到眼动数据的搜索引擎和数据库，主要包括有：Google Dtaset Search、dimensions、Datasets Search Engine、figshare、Open Science 、Zenodo、Harvard Dataverse、Dryad等。接下来为大家一一介绍如何使用它们？
#### [**Google Dtaset Search**](https://datasetsearch.research.google.com/)
Google Dtaset Search是谷歌出品的，类似于谷歌学术搜索文献一样，谷歌表示其宗旨是“Making it easier to discover datasets”，让用户更容易找到想要的数据集。在这里可以通过关键词“EyeLink”、“[**Eyetracking**”搜索到数据集。](https://datasetsearch.research.google.com/search?query=eyetracking\&docid=vP2weR0B49lH8QHnAAAAAA%3D%3D)
[**Dimensions**](https://app.dimensions.ai/discover/publication)
Dimensions是《自然》网站上介绍的科学搜索引擎，不仅能找论文，还能找基金和专利，当然还包括数据集。通过搜索关键词“EyeLink”、“[**EyeTracking**”等可获取相应文献以及数据集。](https://app.dimensions.ai/discover/publication?search_text=eyetracking\&search_type=kws\&search_field=full_search)
[**figshare**](https://figshare.com/)
figshare是一个存储库，您可以在这自由上传所有研究中使用的数据集，同时它也会被引用、分享和被发现。通过关键词“EyeLink”、“**EyeTracking**”可以搜索到相关内容。
**Zenodo**
Zenodo是一个开放的数据库，您在这里不仅可以下载数据集，还可以搜索相关的出版物，甚至您还可以上传您的数据，也将会被引用和共享。通过关键词“EyeLink”、“[**EyeTracking**”可以搜索到相关内容。](https://zenodo.org/search?page=1\&size=20\&q=eyetracking)
**Dryad**
Dryad是一个开源的，社区共建的项目，采用独特的方法进行数据发布和数据保存。Dryad专注于搜索，呈现和发现，并将数据保存功能的责任委托给与其集成的基础存储库。通过关键词“EyeLink”、“[**EyeTracking**”可以搜索到相关内容。](https://datadryad.org/search?utf8=%E2%9C%93\&q=eyetracking)
[](https://datadryad.org/search?utf8=%E2%9C%93\&q=eyetracking)
英国数据库
在这里可以搜索很多相关的数据集。比如输入关键词[**eyetracking**就可获取相关的内容。](https://beta.ukdataservice.ac.uk/datacatalogue/studies/#!?Search=eyetracking\&Rows=10\&Sort=1\&DateFrom=440\&DateTo=2020\&Page=1)
最后，建议各位与之前写过的搜索[**公共数据集—以fNIRS为例**](https://7988888.xyz/eegdata/)，结合起来一起观看。其实同样的道理获取EEG数据也可以参考以上方法。
#### 谢谢大家观看，如有帮助，来个喜欢或者关注吧！
本文作者：Chen Rui
文章仅限学习使用，不用于商业行为，若有侵权及疑问，请发邮件至
# 眼动追踪技术中8个常用指标与术语
### **眼动追踪的定义**
眼动追踪指的是测量我们眼球所在位置的精确度过程。这些测量均是由眼动仪来进行，记录眼球的位置和运动。
眼动追踪如何实现
通过近红外光被导向眼睛的中心（瞳孔），在瞳孔和角膜（眼球的最外面的光学元件）中引起可检测的反射。这些反射与角膜和瞳孔之间形成一种矢量，它由红外摄像机进行跟踪，这是角膜反射的光学跟踪，称为瞳孔-角膜反射（Pupil-CR）。这也是当前科研眼动仪器中常用的工作模式。
追踪到了眼动的数据，那么我们如何来评价分析眼动的指标呢？
首先，眼动的数据相比与脑电、近红外的数据分析简单，这是进行神经科学研究来说，客观的测量需要客观的研究指标，所以在接下来，小编介绍8种常见的眼动指标，这适用于大多数的眼动研究。
### **1.注视点（Fixation）和采样点**
当我们使用眼动追踪时，注视点（Fixation）是感兴趣的基本输出量度，通常是最常用的术语之一。注视点能够显示眼睛正在看什么目标。如果您的眼动仪以1000 Hz的采样率收集数据，在最终的数据中将获得每秒1000个单独的采样点，也可以称为凝视点。如果一系列采样点非常接近 - 在时间和/或空间中，该凝视簇构成固定的注视点，表示眼睛正锁定在该目标上。固定注视点是视觉搜索中非常重要的指标之一，并且该研究领域中一直在不断使用。
### **2.眼跳（Saccade）**
两个注视点之间的眼睛运动通常被称为眼跳。如上图，当我们再阅读句子或者文章时，我们的眼睛并不能顺利地进行下去，而是将眼睛锁定在每7-9个英文字母上（当然也取决于字体类型和大小，中文1-2个汉字）。这是因为人眼的中央“视觉范围”决定的，“视觉范围”是指我们可以在当前固定的单词之前和之后阅读多少单词，更专业的术语解释是由于中央凹、副中央凹和眼球周围神经所决定的。
眼跳的解读反应着眼球运动的轨迹如何变化，注视的位置是否发生改变，这是在眼动追踪中空间上的指标体现。
### **3.热图**
热图是可视化，显示注视点的总体分布情况。它们通常在所呈现的图像或刺激上显示为颜色梯度叠加。红色，黄色和绿色按降序表示指向图像部分的注视点的时间长度，颜色越红表示眼球注视该目标的时间越长。
使用热图是一种比较直接的指标，可以快速可视化哪些元素比其他元素更受关注。可以在单个受访者和参与者组之间比较热图，这有助于了解不同人群如何以不同的方式查看目标刺激的。
### **4.感兴趣区（Interest Area 简写IA）**
感兴趣区是选择一个显示的刺激目标区域，并且专门在该区域提取的一些眼动指标来进行统计学分析。虽然这不是严格意义上的度量标准，但它定义了计算眼动指标度量标准的区域。
如上图，如果我们想要查看眼睛注视马头和人坐位置区域的信息，则可以分别在上图中在马头和人位置上绘制单独的IA区域。然后，我们就能够分别显示每个区域的指标，例如从刺激开始到参与者查看该区域的时间，参与者在该区域花费了多少时间，有多少人将视线移开然后回来。在评估同一视频，图片，网站或程序界面中两个或多个区域的性能时，这些指标都会非常有用。
### **5.首次注视时间（First Fixation time）**
首次注视时间是落在兴趣区（IA）上的第一个注视点的持续时间。首次注视时间是眼动指标中，时间上重要的参考指标之一，尤其在阅读研究中显得更为重要，它反应着眼球注视阅读时的词汇通达的早期特征。在其它视觉场景（广告、工业设计等）上，它也被用来提供关于视觉场景的某些方面如何被优先化的信息提取。
### **6.比率（rate）**
当我们在做视觉场景刺激时，由于视觉的加工难度，参与者会通过眼跳（saccade）来进行扫视。在视觉场景中的比率是指参与者注视在目标兴趣区内的注视信息与其余非目标区域的比重，在广告、网页设计上常用来量化人眼对事物的集中表现加工。它可以揭示视觉场景上的哪些部分对不同参与者更具吸引力。
在阅读中的比率其实可以指代为跳读率（Skipping rate）：是指目标兴趣区会有多大的概率被跳读，在已有的研究中，研究者发现词长和单词在句中的高低预测性对跳视率有重要的影响。跳视率在阅读研究中，可以揭示眼球注视加工词语的熟悉程度，熟悉性的高低。
### **7.回视次数（regression count）**
回视次数反映了参与者对之前信息的再加工过程，它提供了有关参与者将注视返回到由所定义的兴趣区的特定目标上的次数信息，这将允许研究人员检查哪些区域反复吸引着参与者（无论好坏），哪些区域被看到，然后被移动。虽然眼动追踪无法告诉研究人员参与者在看某事时的心理感受，但它可以为研究提供有关详细的信息加工数据，进而可以进一步分析数据。
### **8.平均注视时间或总注视时间**
在平均注视时间中，它显示了参与者在某目标上平均注视持续了多久，它可以为个人或团体确定一个衡量标准，在任何一种情况下，这都可以作为基线测量有用，但也可以通过刺激目标来观察。如果某张图导致的平均注视持续时间远远高于另一幅图，则可能值得探究其原因。此外，通过对兴趣区的比较，也可以确定哪些区域实际上比其它区域更重要。如果您正在尝试传达消息，那么相对于其它区域，您最有可能希望平均注视持续时间在具有该消息的区域内更高。
总注视时间是不区分首次注视时间和第二次甚至多次加工时间，它更多的指在兴趣区内或者是单个目标上的所有注视时间的总和，它反映的是总体时间上的加工信息。也就是总注视时间的长短也反映着认知加工过程的快慢。
#### 谢谢大家观看，如有帮助，来个喜欢或者关注吧！
本文作者：Chen Rui
文章仅限学习使用，不用于商业行为，若有侵权及疑问，请发邮件至
# 眼动追踪中获取高质量数据的5个最佳设置
眼睛不仅是心灵的窗口，更是大脑认知世界的窗口。眼睛是人类观察世界的重要器官, 我们需要用眼睛来看这个五彩缤纷的世界、阅读精彩绝伦的故事、注视所爱的人......正是因为眼睛在我们的生活中如此重要，才有了让我们研究眼睛-大脑加工的感知过程。眼动追踪是目前研究眼睛-大脑认知加工过程最容易也是最直接的技术之一。从科学研究的进程中来看，我们的眼睛已被证明不仅仅是在看我们正在关注的内容，还有更多大脑深层次的加工过程。
已有的科学研究发现了个体差异与环境影响注意力存在联系，还有针对特殊儿童的眼动研究也与普通人的眼动过程存在差异，这为早期诊断和更好地理解人类的注视过程提供了新的研究手段。
**1、受试者感到舒适**
这可能是在开始实验前首先要注意的点，被试的舒适决定着接下来的实验数据，在眼动追踪中，多数的实验都会使用下巴托支架来固定头部，毫无疑问，不舒适的坐姿等会对被试的注意力产生很大的影响，从而影响数据质量。
调整椅子的高度和显示器的高度亮度等，确保被试坐在自然的位置，被试的眼睛水平应处于刺激电脑上边缘的1/4处，并且时刻注意并询问被试是否感到舒适，配合的被试是获得高数据质量的先决条件之一。
**2、眼睛是可见的**
眼动追踪需要在眼睛和高速摄像机之间保持清晰的视线。对于整个实验而言，这是必须要做到的，即便是短暂的遮挡也会导致失去部分关键数据。确保EyeLink眼动追踪设备能时刻追踪到被试的眼睛，尤其在实验过程中，为了让眼动设备能成功捕捉眼球运动，被试的眼睛必须是清晰可见的，过大的眼镜镜框、美瞳或发型（例如，厚重的齐刘海）部分覆盖眼睛，可能会妨碍视角，妨碍校准和准确跟踪眼睛。
**3、适当的照明条件**
对于眼动跟踪，照明条件是基本条件。透过窗户的直射阳光中含有红外线，这会影响眼动追踪设备准确的追踪眼动过程。尽量避免阳光照射的房间，理想状况下，使用日光灯照明。创造一个舒适的氛围（柔和的灯光也可以让被试感觉到舒适）。
另外，房间的照明尽量与显示器的亮度可以保持一致性，这也将导致被试的瞳孔变化水平，所以适当的照明条件，来追踪较准确的眼睛的运动。
**4、减少周围环境的干扰**
在做实验时，尽可能的减少被试视野范围内的运动和周围环境（房间、走廊等）的噪音，因为这很可能会分散被试的注意力，并对测量结果产生不好的影响。在尽可能的情况下，建议在安静的房间内进行数据的采集。
**5、优秀的校准**
对每个被试来说 - 优秀的校准是必不可少的。
如果在校准过程中一直处于不好的情况，则会影响到被试的情绪等状况，就会影响到数据质量，设备能轻松的完成9点校准，这将能快速的保证数据质量的结果准确性。
最后，一旦你完成了上面5条设置，相信你会有一个很好的眼动数据结果。
#### 谢谢大家观看，如有帮助，来个喜欢或者关注吧！
本文作者：Chen Rui
文章仅限学习使用，不用于商业行为，若有侵权及疑问，请发邮件至
# E-prime主要常见问题以及matlab、python打marker
## 前言
今天更新一期E-prime呈现刺激常见的问题，基本上做脑成像的设备，不论是做什么实验的基本上都会用到，E-prime是一个非常简单入手的软件，对于刚“入坑”做脑科学研究的人来说，这个软件不需要编程基础，简直是“傻瓜式”的操作。但是还是会有很多人对这个软件有很多的问题，这两天就被一些老师问到一些基本的操作问题，整得我有点烦躁。那就写点东西供大家参考用。当然，呈现刺激并不是一定需要使用这个软件，presentation、inquisit、opensesame、matlab、python、c、c++等软件都可以实现。但对于初学者来说，E-prime相比较上面的软件来说是最友好的了。
回归正题，下面是总结的E-prime主要常见问题以及matlab、python打marker的几种方式。
一、E-prime常见问题
1.1 E-prime版本打Mark无法正常发送原因
1.2 E-prime如何同时呈现多种刺激
1.3 E-prime 3.0版本安装注意事项
1.4 E-prime 如何设置刺激呈现时间随机
1.5 E-prime 如何修改文本刺激的背景色和字体颜色
1.6 E-prime 如何查看刺激电脑并口的端口地址
1.7 以前能够发送Mark,换了刺激电脑后，同样的刺激程序打不上Mark,无任何代码发送过来
1.8 E-prime 1.1编制的程序转化成2.0/3.0的文档
1.9 E-prime开端口语句
二、Matlab中使用psychotoolbox打标记方式
2.1第一种方式适用于window 7 32位系统（PortTalk文件）
2.2第二种方式，适用于window 7/10 32&64位系统（Inpout文件）常见方式
2.3第三种方式，适用于window7系统，但对matlab版本有要求
三、python中打标记方式
3.1第一种方法：调用库PyParallel
3.2第二种方法：使用Inpout32.dll文件
## E-prime常见问题
1.1 E-prime版本打Mark无法正常发送原因 1、检查硬件连接线之间是否有松动
2、查看E-prime中inline语句是否书写正确；
3、修改需要打标记的刺激材料属性中的Duration-PreRelease选项默认的same as duration更改为0即可。
1.2 E-prime如何同时呈现多种刺激 可以通过Slide控件实现多种刺激（图片、文本、声音、视频）同时呈现。
1.3 E-prime 3.0版本安装注意事项 在安装E-prime3.0程序之前需要先安装dotnetfx4.5插件（在安装文件support中可离线安装）。
1.4 E-prime 如何设置刺激呈现时间随机 可以通过inline语句定义刺激的呈现时间随机。例：设置Textdisplay1的刺激呈现时间在800-1200ms之间随机呈现
eg: Textdisplay1.duration = random(800,1200)
1.5 E-prime 如何修改文本刺激的背景色和字体颜色 打开文本刺激属性窗口，在General选项修改Backcolor和Forecolor即可
1.6 E-prime 如何查看刺激电脑并口的端口地址 依次点击我的电脑或计算机（右击）—管理—设备管理器—端口—LPT端口—资源—I/O范围中的前四个数字。
1.7 以前能够发送Mark,换了刺激电脑后，同样的刺激程序打不上Mark,无任何代码发送过来 1、先排查硬件是否已连接好；
2、更换刺激电脑后，需重新书写刺激程序中的开端口地址；
3、重新查看新刺激电脑中的并口端口地址；
4、将刺激程序中的inline语句相应端口地址更改为新刺激电脑的并口端口地址。
1.8 E-prime 1.1编制的程序转化成2.0/3.0的文档 1、打开2.0/3.0的e-studio，把1.1的程序文件拖到e-studio的窗口中就会提示进行转换，转换后保存回原程序文件夹中再运行就可以了。
2、把1.1的程序文件的后缀名由es改成es2，点击运行后会提示进行转换，之后的步骤同（1）所述。
1.9 E-prime开端口语句 1、打开端口命令
inline1:
Textdisplay1.OnsetSignalEnabled = True %打开控件Textdisplay1的端口
Textdisplay1.OnsetSignalPort = \&H378
%打开Textdisplay1端口为H378（电脑设备管理器中查看）
Textdisplay1.OffsetSignalEnabled = True %关闭控件Textdisplay1的端口
Textdisplay1.OffsetSignalPort =\&H378
%关闭控件Textdisplay1的端口为H378
inline2:
Textdisplay1.OnsetSignalData =c.GetAttrib("Condition")
%向ERPs发送控件Textdisplay1的刺激信号（Mark），这个刺激信号从List中的condition（code）获取
inline3:
1、if Answer.resp=”1” or Answer.resp=”3” then
WritePort\&H378,c.GetAttrib(“Answer.resp”) %“Answer”是刺激的名称
else WritePort \&H378,2
end if %假如反应为“1”或“3”，则标记为“1”或“3”；不反应则标记为“2”
2、if Target.resp = "f" then
writePort \&H378,1
elseif Target.resp = "j" then
writePort \&H378,2
else writePort \&H378,3
end if %当反应的按键是字母（如j、f）时：按f键读为1，按j键读为2，无需按键时读为3。”标在后面
inline4:
If Target.Acc = 1 Then
writeport \&H378,1
ElseIf Len(Target.Resp) > 0 Then
writepote \&H378,2
Else
writepote \&H378,3
End If
2、if语句还可以写成if then
If Target.GetAttrib(“code”)=“5” and back.GetAttrib(“code2”)>0 and resp = "j" and Target.c.GetAttrib(“code”)=“5” then
writePort\&H378,3
%如果Target获得的刺激类型5，同时反馈刺激为J 那么向端口输出，mark为3
## Matlab中使用psychotoolbox打标记方式
有三种方式可供选择：
2.1第一种方式适用于window 7 32位系统（PortTalk文件） 要访问XP / Vista / 7下的并行端口，需要内核环0驱动程序。我们使用Craig Peacock的PortTalk，你可以从
将porttalk.sys文件复制到您的windows\system32\drivers目录中。编辑porttalk.reg文件替换"Start"=dword:00000002的"Start"=dword:00000000。具有管理权限的用户双击编辑porttalk.reg将内容写入Windows注册表后并重新启动电脑。
附加C代码（也可以在访问复制lptwrite.c与其它文档lptwrite.m），PortTalk\_IOCTL.h以及pt\_ioctl.c（在IoExample从porttalk zip压缩包的子目录）到您的计算机上的目录。把你的MATLAB目录路径改成这个目录，并执行这个目录，mex-v lptwrite.c在你的目录中产生一个额外的文件（lptwrite.dll或者lptwrite.mexw32取决于你的MATLAB版本）。
在桌面右键点击我的电脑，选择管理，设备管理器，展开“端口（COM＆LPT）”，右键点击名为“打印机”的端口（LPT1），并选择属性。选择属性对话框的资源选项卡，并检查I/O范围，“设置”列的第一个值是实际的端口地址。对于LPT1，在大多数标准设置中，这应该是0378（这里是十六进位制，需要修改成十进位制，可使用函数hex2dec()）。
现在，您可以用lptwrite(portAddress, byteValue)函数输出。例如，将并行端口的输出位0-7（针脚2-9）lptwrite(888, 255)。为了实现TTL触发器，在将端口重置为零之前，等待您的EEG系统需要的时间（通常最小1 /采样率），例如
lptwrite(888,255);
WaitSecs(0.004);
lptwrite(888,0);
2.2 第二种方式，适用于window 7/10 32&64位系统（Inpout文件）常见方式 取而代之的PortTalk的Inpout可用于制作寄存器访问可能的驱动程序。Inpout也适用于32位Windows，但与lptwrite不兼容。具体方法可参考：
2.3 第三种方式，适用于window7系统，但对matlab版本有要求（6.5版本以上的matlab无法使用）
直接调用并口的针脚，Matlab的数据采集工具箱知道如何从包含BIOS数据的Windows内存保护区自动读取端口地址：
get（digitalio（' parallel '），' PortAddress '）
数据采集工具箱的误差（〜1ms）比lptwrite/lptread（〜10us）慢，并且无法寻址。
### python中打标记方式
3.1第一种方法：调用库PyParallel 1、必须安装giveio文件，在win10上不可用。
2、####Event trigger routine开端口代码
import parallel, time
P = parallel.Parallel()
def SendCode(code):
P.setData(code) # send theevent code (could be 1-255)
time.sleep(0.006) # wait for 6 ms for Recorder to receive the code
P.setData(0) # send a codeto clear the register
time.sleep(0.01) # wait for10 ms
3、使用SendCode()发送事件代码标志，放在刺激之前。（可参考示例文件）
3.2第二种方法：使用Inpout32.dll文件 1、网络下载 inpout.dll 并把它放到电脑C：window/system32 文件夹中。 接下来就是使用 SendCode() 函数调用，在刺激前添加即可
2、####Event trigger routine ####开端口代码
import time
from ctypes import windll
P = windll.inpout32
def SendCode(code):
P.Out32(0x378, code) # sendthe event code (could be 1-255)
time.sleep(0.006) # wait for 6 ms for Recorderto receive the code
P.Out32(0x378, 0) # send acode to clear the register
time.sleep(0.01) # wait for10 ms
### 相关
*\**关于Inpout函数使用问题，推荐网址：
#### 谢谢大家观看，如有帮助，来个喜欢或者关注吧！
本文作者：Chen Rui
星球地址 ：[知识星球](https://t.zsxq.com/W5M3F)[Blog ](https://t.zsxq.com/W5M3F)
知乎地址 : [知乎专栏](https://www.zhihu.com/people/braintechnology)
B站地址 : [B站主页]()
公众号：大脑技术\
CSDN地址 : [csdn主页](https://blog.csdn.net/craig_cc)
文章仅限学习使用，不用于商业行为，若有侵权及疑问，请发邮件至
# E-prime3.0安装.net问题
本文首发在个人博客上（[**7988888.xyz**](https://7988888.xyz/)），此文章中所有链接均通过博客进行访问。
我在培训过程中也遇到一点E-prime的使用问题，在这里我也来记录一下并阐述解决办法。
第一个问题是安装过程中E-prime无法安装，缺少.net 3.5环境。
这种情况，在安装EP时，经常会遇到，特别的是win10系统内置了更高级别的.net环境下，还需要安装.net3.5环境，不然就无法进行安装。
解决方法一：离线安装
在电脑没联网的情况下，离线安装显得非常的麻烦，而且也不能保证一次性成功，但也是没有办法的办法，在通常情况下，设备一般不会联网，因此得事先下载好离线安装包才可。
下载离线安装包可以从镜像系统中提取，本文以window10 系统1709提取的sxs为例。
首先下载好win10 系统，可自行百度下载安装包，通过右键点击装载，打开文件如下，将sources文件下的sxs文件复制到电脑C盘。
本文使用的sxs文件链接: 提取码:hc43
打开管理员cmd命令提示符，运行以下命令：dism.exe /online /enable-feature /featurename:NetFX3 /Source:C:\sxs
根据提示进行重启，在window功能中即可查看.net 3.5已经被选上了，说明已经安装好了。
解决方法二：联网安装
这也是最简单最有效的解决方案，通过离线安装或多或少会遇到乱七八糟的报错。如果有网络的话，建议是通过网络进行自动安装。
第二个问题是运行E-prime时出现Display is too busy
这是非常令人头疼的bug，这并不是程序编写的问题，而是软件与window系统兼容的问题。
这种bug常见在win 10 1903/2004新版本上遇到的错误。
在E-prime论坛上给出了两种解决方案。
解决方案一：
禁用E-Prime的“全屏优化”设置。
可按照以下步骤禁用此设置：
找到已安装的E-prime路径：（eg:）C： Program Files（x86） PST E-Prime 3.0 Program
选中E-studio右键，打开属性，选择兼容性，勾选上以上的禁用全屏优化，确定即可。然后再运行实验程序。
解决方案二：重装系统
在方案一中，并不适用所有的电脑系统，在某些电脑上即使进行了以上方案禁用全屏优化后，依然可能存在某些问题，终极的解决方法是不要将win10升级到最新的系统，win10 1809系统以下比较稳定。
## 谢谢大家观看，如有帮助，来个喜欢或者关注吧！
本文作者：Chen Rui
# Lab Streaming Layer 数据流简介
**lab streaming layer（LSL）**是用于研究的实验测量时间序列的统一收集，处理双方的网络，时间同步，实时访问设备系统以及可选的数据采集，可视化视图和保存记录数据。
**LSL**由核心库和一套建立在库的顶部工具。
核心传输库是[liblsl](https://github.com/labstreaminglayer/liblsl/)及其语言接口（[C](https://github.com/sccn/liblsl/)，[C ++](https://github.com/sccn/liblsl/)，[Python](https://github.com/labstreaminglayer/liblsl-Python/)，[Java](https://github.com/labstreaminglayer/liblsl-Java/)，[C＃](https://github.com/labstreaminglayer/liblsl-Csharp/)，[MATLAB](https://github.com/labstreaminglayer/liblsl-Matlab/)）。该库是通用和跨平台的（操作系统支持：Win / Linux / MacOS / [Android](https://github.com/labstreaminglayer/liblsl-Android/) / iOS；体系结构支持：x86 / amd64 / arm）。
实时数据流的采集将有利于脑机接口(BCI)的运用和数据的开发。
LSL的简介，我在很早的时候，在微信公众号BrainTechnology上介绍过几篇如何使用lsl来读取EEG/fNIRS设备的数据过程。
LSL[**连接EEG设备**](https://mp.weixin.qq.com/s/Vii_M3jCSr6EFE0OzFzJ3w)
LSL[**连接fNIRS设备**](https://mp.weixin.qq.com/s/WCG8OlIjPvVbxBfDaHIGXw)
## 当前可查阅到的学习资源
GitHub [**labstreaminglayer**](https://github.com/sccn/labstreaminglayer)
LSL[**文档教程**](https://labstreaminglayer.readthedocs.io/index.html)
[**在MATLAB中接收数据流**](https://github.com/sccn/labstreaminglayer/wiki/Tutorial-4-a.-Receive-Data-streams-in-MATLAB)
[**liblsl-python**](https://github.com/labstreaminglayer/liblsl-Python/tree/master/pylsl/examples)在Python中可以使用pip install pylsl使用
[**liblsl-matlab**](https://github.com/labstreaminglayer/liblsl-Matlab/)在matlab中使用一定要注意使用目录路径
对于开发人员可以通过安装LSL来构建所需要的环境，可参考[**该网址**](https://labstreaminglayer.readthedocs.io/dev/build_env.html)以及github上的[**安装教程**](https://github.com/sccn/labstreaminglayer/wiki/INSTALL)
## 支持的设备和工具
所有app支持旧版本的[**安装包文件**](ftp://sccn.ucsd.edu/pub/software/LSL/Apps/)
LSL最初是为了促进涉及多模态数据采集的实验而开发的，包括大脑动力学（主要是EEG），生理学（EOG，EMG，心率，呼吸，皮肤电导率等），行为数据（动作捕捉，眼动跟踪，触摸交互，面部表情等），最后是程序状态（例如事件标记）。
### 支持的EEG硬件
目前市场上的大多数EEG系统都与LSL兼容。
* 下列设备通过供应商提供的软件支持LSL：
* [ANT eego sports](https://www.ant-neuro.com/products/eego_sports)
* [Cognionics (all headsets)](http://www.cognionics.com/)
* [EB Neuro BE Plus LTM](http://www.ebneuro.biz/en/neurology/ebneuro/galileo-suite/be-plus-ltm)
* * [InteraXon Muse](http://www.choosemuse.com/)
[MU-01 - Muse - Released 2014 Example with Matlab](https://labstreaminglayer.readthedocs.io/info/matlab_example_with_muse.html)[MU-02 - Muse - Released 2016](https://github.com/alexandrebarachant/muse-lsl)[MU-03 - Muse 2 - Released 2018](https://github.com/alexandrebarachant/muse-lsl)
* [mBrainTrain SMARTING](http://www.mbraintrain.com/smarting/)
* neuroelectrics [(Enobio](http://www.neuroelectrics.com/products/enobio/), [StarStim](https://www.neuroelectrics.com/solutions/starstim)) via [NIC2](https://www.neuroelectrics.com/solution/software-integrations/nic2).
* [OpenBCI (all headsets)](http://docs.openbci.com/software/06-labstreaminglayer)
**LSL发行版中包含的程序支持以下系统（标有（u）的未试用系统）：**
* [ABM B-Alert X4/X10/X24 wireless](https://github.com/labstreaminglayer/App-BAlert) (u)
* [BioSemi Active II Mk1 and Mk2](https://github.com/labstreaminglayer/App-BioSemi)
* [Blackrock Cerebus/NSP](https://github.com/labstreaminglayer/App-BlackrockTimestamps) (timestamps only)
* [Brain Products ActiChamp series](https://github.com/labstreaminglayer/App-BrainProducts)
* [Brain Products BrainAmp series](https://github.com/labstreaminglayer/App-BrainProducts)
* [BrainVision RDA client](https://github.com/brain-products/LSL-BrainVisionRDA/releases)
* [Brain Products LiveAmp](https://github.com/labstreaminglayer/App-BrainProducts/releases)
* [Cognionics dry/wireless](https://github.com/labstreaminglayer/App-Cognionics)
* [EGI AmpServer](https://github.com/labstreaminglayer/App-EGIAmpServer)
* [Enobio dry/wireless](https://github.com/labstreaminglayer/App-Enobio) (u)
* [g.Tec g.USBamp](https://github.com/labstreaminglayer/App-g.Tec/tree/master/g.USBamp) (buggy at high sampling rates)
* [g.Tec g.NEEDaccess](https://github.com/labstreaminglayer/App-g.Tec/tree/master/g.NEEDaccess) (including g.USBamp, g.HIamp, g.Nautilus)
* [MINDO dry/wireless](https://github.com/labstreaminglayer/App-MINDO)
* [Neuroscan Synamp II and Synamp Wireless](https://github.com/labstreaminglayer/App-Neuroscan) (u)
### 支持眼动追踪硬件
**LSL当前支持几种眼动跟踪系统，这些系统已包含在发行版中（标有（u）的未调试系统）：**
* Eye Tribe Tracker Pro
* [SMI iViewX](https://github.com/labstreaminglayer/App-SMIEyetracker)
* [SMI Eye Tracking Glasses](https://github.com/labstreaminglayer/App-SMIEyetracker)
* [SR Research Eyelink](https://github.com/labstreaminglayer/App-EyeLink)
* Tobii Eye trackers
[Tobii Pro](https://github.com/labstreaminglayer/App-TobiiPro)
[Tobii StreamEngine (consumer devices)](https://github.com/labstreaminglayer/App-TobiiStreamEngine)
[Tobii other (older app)](https://github.com/labstreaminglayer/App-Tobii) (u)
* Custom 2-camera eye trackers (with some hacking)
* [Pupil-Labs](https://github.com/labstreaminglayer/App-PupilLabs)
### 支持人机界面的硬件
* LSL支持多种Windows兼容的输入硬件，该发行版随附了这些硬件：
* [Input devices (keyboards, trackballs, presenters, etc.)](https://github.com/labstreaminglayer/App-Input)
* [DirectX-compatible joysticks, wheels, gamepads and other controllers](https://github.com/labstreaminglayer/App-GameController)
* [Nintendo Wiimote and official expansions](https://github.com/labstreaminglayer/App-Wiimote)
### 支持的动作捕捉硬件
LSL当前支持几种运动捕捉系统，这些系统已包含在发行版中。这些是：
* [AMTI force plates with serial I/O](https://github.com/labstreaminglayer/App-AMTIForcePlate)
* [PhaseSpace](https://github.com/labstreaminglayer/App-PhaseSpace)
* [Microsoft Kinect](https://github.com/labstreaminglayer/App-KinectMocap)
* [NaturalPoint OptiTrack](https://github.com/labstreaminglayer/App-OptiTrack) (some versions)
* [OpenVR](https://github.com/labstreaminglayer/App-OpenVR)
* [Qualisys](https://github.com/qualisys/qualisys_lsl_app)
### 支持硬件刺激
* 以下刺激设备（TMS，TDCS / TACS）具有LSL支持：
[Soterix Medical MXN-33经颅电刺激仪](https://soterixmedical.com/research/hd/mxn-33)
### 支持的刺激呈现软件
* [Neurobehavioral Systems Presentation](https://www.neurobs.com/)
* [iMotions](https://www.imotions.com/)
* Psychopy (using LSL for Python)
* PsychToolbox (using LSL for MATLAB)
* Unity (using LSL for C#)
* [Simulation and Neuroscience Application Platform (SNAP)](https://github.com/sccn/SNAP)
* [Reiz](https://github.com/pyreiz/pyreiz)
同时推荐你查阅我之前写的使用LSL发送标记给nirs设备。
[**Psychopy通过LAN网线触发marker连接NIRX设备**](https://mp.weixin.qq.com/s/PDkFdW28SuozTyIWDy3-GA)
### 谢谢大家观看，如有帮助，来个喜欢或者关注吧！
本文作者：Chen Rui