脑电EEG代码开源分享 【1.前置准备-静息态篇】

往期文章

希望了解更多的道友点这里
0. 分享【脑机接口 + 人工智能】的学习之路
1.1 . 脑电EEG代码开源分享 【1.前置准备-静息态篇】
1.2 . 脑电EEG代码开源分享 【1.前置准备-任务态篇】
2.1 . 脑电EEG代码开源分享 【2.预处理-静息态篇】
2.2 . 脑电EEG代码开源分享 【2.预处理-任务态篇】
3.1 . 脑电EEG代码开源分享 【3.可视化分析-静息态篇】
3.2 . 脑电EEG代码开源分享 【3.可视化分析-任务态篇】
4.1 . 脑电EEG代码开源分享 【4.特征提取-时域篇】
4.2 . 脑电EEG代码开源分享 【4.特征提取-频域篇】
4.3 . 脑电EEG代码开源分享 【4.特征提取-时频域篇】
4.4 . 脑电EEG代码开源分享 【4.特征提取-空域篇】
5 . 脑电EEG代码开源分享 【5.特征选择】
6.1 . 脑电EEG代码开源分享 【6.分类模型-机器学习篇】
6.2 . 脑电EEG代码开源分享 【6.分类模型-深度学习篇】
汇总. 专栏：脑电EEG代码开源分享【文档+代码+经验】

0 . 【深度学习】常用网络总结

脑电EEG代码开源分享 【1.前置准备-静息态篇】

一、前言

本文档旨在归纳BCI-EEG-matlab的数据处理代码，作为EEG数据处理的总结，方便快速搭建处理框架的Baseline，实现自动化、模块插拔化、快速化。本文非锁时任务（无锁时刺激，如静息态、运动想象）为例，分享脑电EEG的分析处理方法。
脑电数据分析系列。分为以下6个模块：

1. 前置准备
2. 数据预处理
3. 数据可视化
4. 特征提取（特征候选集）
5. 特征选择（量化特征择优）
6. 分类模型

本文内容：【1.前置准备】

提示：以下为各功能代码详细介绍，若节约阅读时间，请下滑至文末的整合代码

二、前置准备 框架介绍

前置准备
前置准备的主要功能，分为以下4部分：

1. 降采样
2. 数据分段
3. 去暂态
4. 选择导联

前期准备的代码框图、流程如下所示：

注：前置准备 理论上可以归类到 预处理阶段，本代码将两者分开基于以下考虑：

1. 前置准备是数据处理的准备阶段，对脑电数据无损处理，不对原始数据进行变换、映射
2. 为提升中间数据的可读性、可分析性，将原本9步骤的预处理，分为 4步【前置准备】 + 5步【预处理】

三、代码格式说明

本文非锁时任务态（下文以静息态代替）范例为：ADHD患者、正常人群在静息状态下的脑模式分类

• 分段代码名称：代码命名为Standard_cut_rest
• 输入格式：静息态为Data的结构体，内部为data命名的原始数据(通道*总采样点数)。
• 参数设置：**采样率\单试次时长\试次标签\试次位置\频域去除暂态时长\降采样（防止数据过大导致运行和内存消耗）
• 处理形式：*EEG数据汇总为cell（试次被试数），每个cell内为（通道数采样点数）。按照不同分类的类别放入不同cell，cell自身名称如下保存格式名称。例如任务态数据为{100，1}[16512]，其意为16通道数据采集，100试次，单试次为512点数据点。
• 保存格式：单独保存个人的名称为Standard_input_target_xx(被试序号)，总保存文件名称为Standard_input_target\ nontarget _xx代表被试个数。

三、脑电处理 代码

提示：代码环境为 matlab 2018

3.0 参数设置

原采样率 fs_raw=500Hz，降低到 fs_down = 250Hz
一次进行10人次的批处理，subject_num = [1;10]
每段数据分段长度为2秒，epoch_length = 2
处理全部导联编号为1-128的电极，perocess_channel = [1 ; 128];

%%0.!!!需手动调整参数
data_path = 'C:\Users\Amax\Desktop\basetest_flod\raw_data_flod\';
svae_path = 'C:\Users\Amax\Desktop\basetest_flod\save_fold\';
file_name_target ='ADHD';
file_name_nontarget ='Normal';
stuct_name ='Data';

raw_temp_data =load([data_path ,file_name_target,'1']);
raw_temp_data = raw_temp_data.Data.data;
fs_raw =500;
fs_down =250;%降采样后采样率
subject_num =[1;10];
temp_abandon =20;%去掉的暂态，以秒为单位
epoch_length =2;
perocess_channel =[1;128];

经验建议：

• 采样率降到300Hz以下，目前主流研究认为，静息态脑电有效频率<100Hz，根据脑奎斯特定理，采样率到200Hz以上即可。采样率是最影响计算时间的参数之一，尤其影响后期的非线性计算，绘图、特征分析等。
• 建议每批处理人数<10人，如有大量被试应分为多组。一是由于多被试处理时间长，中间运算和调试周期较长；二是多被试计算结果存储量大，MATLAB对于2GB以上的数据存储较慢，并且下一阶段读取也缓慢。
• 去暂态20s，temp_abandon = 20，是由于一般脑电设备开机后需要稳定波形，这个数值要根据设备、现场环境修改。

3.1 数据导入

导入原始数据，并输出显示基本数据信息：

%%1.Standard_input
%0.1 rest_data 输入数据格式为：通道数*采样点数
standard_time =floor(size(raw_temp_data,2)/fs_raw- temp_abandon);
remain_raw_time = standard_time - temp_abandon;
remain_trial =floor(remain_raw_time/epoch_length);
remain_confrim_time = remain_trial * epoch_length;disp(['数据总时长: ',num2str(standard_time),'||暂态时长: ',num2str(temp_abandon),'||修正剩余时长: ',num2str(remain_confrim_time)]);disp(['采样率: ',num2str(fs_raw),'||每段时长: ',num2str(epoch_length),'||试次数量: ',num2str(remain_trial)]);

3.2 前置准备-主函数

主要功能依靠调用 Standard_cut_rest 函数实现：

%%1.切分数据
disp(['数据分段中...']);
Standard_input_target =[];
Standard_input_nontarget =[];

Standard_input_target.fs = fs_down;
Standard_input_nontarget.fs = fs_down;

Standard_input_target.subject_num = subject_num;
Standard_input_nontarget.subject_num = subject_num;[Standard_input_target.data,Standard_input_nontarget.data]=Standard_cut_rest(data_path,stuct_name,file_name_target,file_name_nontarget,fs_raw,fs_down,subject_num,remain_trial,epoch_length,temp_abandon,perocess_channel);
Standard_input_target.file = file_name_target;
Standard_input_nontarget.file = file_name_nontarget;disp(['||已完成标准分段||']);

3.3 前置准备-功能函数

主功能函数 Standard_cut_rest ：

function[Standard_input_target,Standard_input_nontarget]=Standard_cut_rest(data_path,stuct_name,file_name_target,file_name_nontarget,fs_raw,fs_down,subject_num,remain_trial,epoch_length,temp_abandon,perocess_channel)%%0.参数说明
% data_path 数据路径
% file_name_target 目标数据统一名
% file_name_nontarget 非目标数据统一名
% fs_raw 原始数据采样率
% subject_num 被试起止编号
% remain_trial 剩余试次数
% epoch_length 单试次时长
% temp_abandon 暂态去除时长
% perocess_channel 有效数据通道的首末
Standard_input_target =cell(remain_trial,subject_num(2,1)-subject_num(1,1)+1);
Standard_input_nontarget =cell(remain_trial,subject_num(2,1)-subject_num(1,1)+1);%%1.切分数据
print_count=0;
sub_count =1;for sub_loop =subject_num(1,1):subject_num(2,1)
raw_data_target =load([data_path ,file_name_target ,num2str(sub_loop)]);
raw_data_target = raw_data_target.(stuct_name).data;
raw_data_target =downsample(raw_data_target',fs_raw/fs_down)';

raw_data_nontarget =load([data_path ,file_name_nontarget ,num2str(sub_loop)]);
raw_data_nontarget = raw_data_nontarget.(stuct_name).data;
raw_data_nontarget =downsample(raw_data_nontarget',fs_raw/fs_down)';

temp_abandon_point = temp_abandon * fs_down;for trial_loop =1:remain_trial
    cut_temp =[];
    cut_temp =raw_data_target(perocess_channel(1,1):perocess_channel(2,1), temp_abandon_point+(trial_loop-1)*fs_down*epoch_length+1: temp_abandon_point + trial_loop*fs_down*epoch_length);
    Standard_input_target{trial_loop,sub_count}= cut_temp;
    
    cut_temp =[];
    cut_temp =raw_data_nontarget(:, temp_abandon_point+(trial_loop-1)*fs_down*epoch_length+1: temp_abandon_point + trial_loop*fs_down*epoch_length);
    Standard_input_nontarget{trial_loop,sub_count}= cut_temp;
end
%disp(['输入标准化分段: ',num2str(sub_loop/subject_num)]);fprintf(repmat('\b',1,print_count));   
print_count=fprintf('计算标准化分段进度 : %f',sub_count/(subject_num(2,1)-subject_num(1,1)+1));
sub_count = sub_count+1;
end
fprintf('\n');
end

3.4 前置准备-结果保存

最终，结果保存：

%%2.保存标准输入文件
disp(['标准分段保存中...']);save([ svae_path ,'Standard_input_target_',num2str(subject_num(1,1)),'_',num2str(subject_num(2,1))],'Standard_input_target');save([ svae_path ,'Standard_input_nontarget_',num2str(subject_num(1,1)),'_',num2str(subject_num(2,1))],'Standard_input_nontarget');disp(['||已完成标准分段保存||']);
t_Standard_input_cost = toc;disp(['标准输入格式调整完毕，耗时： ',num2str(t_Standard_input_cost)]);

四、前置准备 整体代码

静息态信号整体代码：

disp(['||0.静息态类数据处理-标准输入格式||']);%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%0.!!!需手动调整参数
data_path = 'C:\Users\Amax\Desktop\basetest_flod\raw_data_flod\';
svae_path = 'C:\Users\Amax\Desktop\basetest_flod\save_fold\';
file_name_target ='ADHD';
file_name_nontarget ='Normal';
stuct_name ='Data';

raw_temp_data =load([data_path ,file_name_target,'1']);
raw_temp_data = raw_temp_data.Data.data;
fs_raw =500;
fs_down =250;%降采样后采样率
subject_num =[1;10];
temp_abandon =20;%去掉的暂态，以秒为单位
epoch_length =2;
perocess_channel =[1;128];%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%  
tic;%%1.Standard_input
%0.1 rest_data 输入数据格式为：通道数*采样点数
standard_time =floor(size(raw_temp_data,2)/fs_raw- temp_abandon);
remain_raw_time = standard_time - temp_abandon;
remain_trial =floor(remain_raw_time/epoch_length);
remain_confrim_time = remain_trial * epoch_length;disp(['数据总时长: ',num2str(standard_time),'||暂态时长: ',num2str(temp_abandon),'||修正剩余时长: ',num2str(remain_confrim_time)]);disp(['采样率: ',num2str(fs_raw),'||每段时长: ',num2str(epoch_length),'||试次数量: ',num2str(remain_trial)]);%%1.切分数据
disp(['数据分段中...']);
Standard_input_target =[];
Standard_input_nontarget =[];

Standard_input_target.fs = fs_down;
Standard_input_nontarget.fs = fs_down;

Standard_input_target.subject_num = subject_num;
Standard_input_nontarget.subject_num = subject_num;[Standard_input_target.data,Standard_input_nontarget.data]=Standard_cut_rest(data_path,stuct_name,file_name_target,file_name_nontarget,fs_raw,fs_down,subject_num,remain_trial,epoch_length,temp_abandon,perocess_channel);
Standard_input_target.file = file_name_target;
Standard_input_nontarget.file = file_name_nontarget;disp(['||已完成标准分段||']);%%2.保存标准输入文件
disp(['标准分段保存中...']);save([ svae_path ,'Standard_input_target_',num2str(subject_num(1,1)),'_',num2str(subject_num(2,1))],'Standard_input_target');save([ svae_path ,'Standard_input_nontarget_',num2str(subject_num(1,1)),'_',num2str(subject_num(2,1))],'Standard_input_nontarget');disp(['||已完成标准分段保存||']);
t_Standard_input_cost = toc;disp(['标准输入格式调整完毕，耗时： ',num2str(t_Standard_input_cost)]);

总结

前置准备是数据处理的敲门砖，本文仅进行了基础的处理。
本文中静息态的前置准备，通过主功能函数 Standard_cut_rest 实现
静息态数据无时间锚点（triger，marker）,数据分段较为简单，一般分为等间距的数据段即可

当然

实际应用时会面临很多潜在的工程问题，例如仪器数据格式、软件运行内存、硬件运行时间等等…
代码工程嘛，就是面对现实…
挂一漏万，如有笔误请大家指正~

感谢您耐心的观看，本系列更新了约30000字，约3000行开源代码，体量相当于一篇硕士工作。

往期内容放在了文章开头，麻烦帮忙点点赞，分享给有需要的朋友~

坚定初心，本博客永远：
免费拿走，全部开源，全部无偿分享~

To：新想法、鬼点子的道友：

自己：脑机接口+人工智领域，主攻大脑模式解码、身份认证、仿脑模型…
在读博士第3年，在最后1年，希望将代码、文档、经验、掉坑的经历分享给大家~
做的不好请大佬们多批评、多指导~ 虚心向大伙请教！
想一起做些事情 or 奇奇怪怪点子 or 单纯批评我的，请至Rongkaizhang_bci@163.com