ERP-07源分析和成分分析(包含ICA分析的步驟)

1、溯源分析Patch of aligned pyramidal cells in gray matter layer 偶極子是一對數(shù)值相等、方向相反的電荷。腦內(nèi)眾多神經(jīng)元興奮引起的電活動可以總和在一起用一對電荷表示，稱為等價偶極子（equivalent dipole）。Inverse CalculationHead ModelSensors ModelSourceModelData(measured)影響定位位準確性性的因素素信號傳導(dǎo)導(dǎo)問題頭顱不規(guī)規(guī)則性發(fā)放源深深淺操作因素素：分析析時間的的選擇、頭模型型和偶極極子模型型的選擇擇溯源分析析軟件CurryBesaGeosourceICA 溯源分析析

2、需要的的4個文件功能數(shù)據(jù)據(jù)：.avg解剖數(shù)據(jù)據(jù)：.img電極位置置：.3dd解剖標志志位置：.pom創(chuàng)建BEM頭顱模型型Atthebeginning:Importdatainto NEUROSCAN我們先讀讀入了最最原始的的文件：1_t(nback是我們這這個實驗驗的名稱稱)WorksintheEEGLab:EEGLab: Import只有EEGLAB系統(tǒng)，可可以很好好的的進進行ICA分析，從而很好好的達到到我們的的目的：去掉眼動動對腦電電造成的的影響眼電校正正所以我們們在EEGLAB系統(tǒng)中做做接下來來的分析析。所導(dǎo)入的的數(shù)據(jù)的的一些基基本信息息。這里我們們得到了了：1_nback.set定義

3、電極極位置。由于NS電極位置置使用標標準名稱稱，所以以按照默默認設(shè)置置導(dǎo)入即即可。1.Removebad channelsRemoveHEOG&VEOG前面提到到過，進進入ICA分析的數(shù)數(shù)據(jù)，需需要：1，干凈、無誤的的數(shù)據(jù)；2，具有統(tǒng)統(tǒng)一的參參考點的的數(shù)據(jù)。所以，這這里我們們首先要要去掉壞壞電極。壞電極首首先是在在數(shù)據(jù)記記錄過程程中發(fā)現(xiàn)現(xiàn)的異常常電極，然后是ICA分析后發(fā)發(fā)現(xiàn)的異異常電極極。由于NeuroScan中，HEOG與VEOG均是雙極極參考，所以也也要去掉掉。（EGI系統(tǒng)中不不存在這這個問題題）NS系統(tǒng)里似似乎只能能標注去去掉什么么樣的電電極而不不能完全全刪掉它它，而對壞電電極的標標記

4、在進進入EEGLAB時又消失失了，所以還是是推薦在在EEGLAB中進行這這一步。這里我們們得到了了：2_withoutP8T7HV.set2.RunICA獨立成分分分析(IndependentComponent Analysis，ICA)是近期發(fā)發(fā)展起來來的一個個新的數(shù)數(shù)據(jù)及信信號分析析方法，是一種將源信號號從混合合信號分分離出來來的信號處理理技術(shù)。這里我們們假設(shè)，每個電極極位置的的頭皮都都是一個個腦電的的源成分分，并通過分分析每個個電極記記錄到的的電壓，用ICA方法計算算每一個個源成分分的活動動情況。我們通過過計算電電極Channel所記錄下下的電壓壓變化的的情況，得到電極極活動的的源成分分

5、Components的活動情情況。這里我們們得到了了：3_ICA.set3.RemoveComponentswhicharerelatedtoeyemovements通過ICA分析，我我們可以以獲得眨眨眼、水水平眼動動的活動動的源成成分，以及這個個源成分分的活動動模式。那么，當當我們?nèi)トサ暨@兩兩個源成成分的活活動時，剩下的數(shù)數(shù)據(jù)就是是沒有眼眼動影響響的、干干凈的腦腦電活動動了。好的條件件下，我我們可以以排除掉掉所有的的偽跡、包括眼眼電，最最終取得得干凈的的數(shù)據(jù)。但是如果果被試有有過量的的眼動，而排除除掉有眼眼動的數(shù)數(shù)據(jù)會使使可用的的數(shù)據(jù)量量過少時時，我們們就需要要做眼電電校正。一些實驗驗情況下

6、下，有眼眼動的數(shù)數(shù)據(jù)必須須進行排排除而不不是校正正。這就需要要根據(jù)實實驗刺激激的屬性性、實驗驗?zāi)康牡鹊葋砼袛鄶?，能否否接受校校正過的的數(shù)據(jù)。那么哪些些成分是是與眼動動有關(guān)的的呢？好的ICA分析2D圖：首先腦外外沒有分分布；其其次有集集中的峰峰值。不好的ICA分析2D圖舉例怎樣確定定：某成分是是眨眼的的源成分分，某成分是是水平眼眼動的源源成分，而別的成成分都不不是呢？這里我們們通過對比成分分波形圖圖與位置置波形圖圖來確定定。源成分1的活動變變化與垂垂直眼動動的電壓壓變化相相吻合源成分8的活動變變化與水水平眼動動的電壓壓變化相相吻合去掉對應(yīng)應(yīng)的源成成分后，它自動會會計算新新的EEG波形。得到：4_

7、ICAwithout 18.set去掉眼電電成分前的EEG波形去掉眼電電成分后的EEG波形4.Epoch123455.Removeincorrect trials6.Createstudy7.Precompute ERP8.ExportERPsfrom eeglabMethods35StimuliBackground:919 linesegments714UppervisualfieldTarget:2.55jitterred fromthe fixationMask:Fixation:superimposed “T”and“L”75Hz1024 768pixels114cmMethods36

8、TrialsequenceMethods37ExperimentalprocedureSOA=600 ms320trials/sessionSOA=466-40 ms1120 trials/session15subjectsBehavioral session:SOAwas decreasingfrom466msto40ms:oneblockeachat466, 360,266,226and three blockseach at 186,160,146, 120,106,80,66, 40 ms.Each session: 28 blocks40trialsMethods38EEGrecor

9、ding session128-channelHydroCelGeodesicSensorNet (EGI)Resistance below 50KPhysically referencedtoCzand thenoff-linere-referencedtotheaverageoftheleftandrightmastoidchannels.Bandpassfilter: 0.1to200HzSamplingfrequency: 500HzSegment:200msbeforestimulusonsetand 600ms afterBaseline:200mspre-stimulus and

10、lastedfor 200ms.Time windowElectrodes ANOVAC168-84msPz(62), POz(72), Oz(75)Peak amplitudeP1104-124msP1(60), Pz(62), P2(85)Mean amplitudeThe anterior P160-350160-350msAF3(23), F3(24), AFz(16), Fz(11), AF4(3), F4(124)Mean amplitudeThe posterior P160-350160-350msO1(70), 74, O2(83), 82Mean amplitudeMeth

11、ods39Channel groupsused foranalysisFactors usedinrepeated-measurementANOVA:SessionVisualfieldHemisphereAreaResults:behavioral40Long-termperceptuallearninghadtakenplaceLetterdiscrimination: 80%correctresponseSession:F(5, 70)=20.973,p0.001Errorbar: mean standard error*41Theimprovementratioofthe averag

12、ed thresholdSOA74.6%transfertosession658.8%maintenancetosession61-Tx/ T1Results:ERP42C1session:F(5,70)=0.788, p=0.562visualfield: F(1, 14)=1.484,p=0.24343C1topographicmap(68-84ms)C1peak amplitudeC1:nosignificantchange44SourcelocationbyBESAC1(68-84ms,session1, thetrainedvisualfield)Twodipoles:x=15.6,

13、y=-77.7,z=6.8(R.V. 5.6%)Location:BrodmannsArea 17V145P1:smalllearning-relatedchangessession:F(5,70)=2.021,p=0.086session1vs.session2: p0.006session1vs.session5: p0.034test II vs.6thsession:p0.03746AnteriorP160-350:theupperleft visualfieldN=15160ms350msmsuvNegativeshift47ThetimecourseofanteriorP160-350change wasvery similartothe patternofbehavioraltrainingperformancesession:F(5,70)=19.882, p0.001visualfield: F(1,14)=1.560, p=0.232*48Topographicmap(160-350ms)49Theposterior P160-350session:F(5,70)=2.851,p0.022visualfield: F(1,14)=0.368, p=0.554test II vs.6ths