EEG信号分析实战:从时域到频域,手把手教你用Python处理脑电数据

EEG信号——时域分析、频域分析、时频分析 EEG信号的时频分析 阅读详情

EEG信号分析实战:从时域到频域,手把手教你用Python处理脑电数据

脑电信号(EEG)作为探索大脑活动的窗口,在神经科学研究和临床诊断中扮演着关键角色。想象一下,当你在思考、放松或专注时,大脑皮层中数百万神经元同步放电产生的微弱电信号,通过电极捕捉后形成那些起伏的波形曲线——这就是EEG数据的本质。不同于其他生物信号,EEG具有毫秒级的时间分辨率,能直接反映神经元的电活动变化,这使得它成为研究认知过程、情绪状态甚至意识活动的独特工具。

然而,原始EEG数据就像一本用特殊密码写成的日记,需要合适的解码技术才能读懂其中的信息。本文将带您使用Python这把"瑞士军刀",逐步拆解EEG分析的核心技术路线。无论您是刚开始接触脑电研究的心理学学生,还是需要快速实现原型验证的工程师,都能通过以下实战示例获得可直接复用的代码方案。我们将重点解决三个关键问题:如何从时域波形中提取事件相关电位?怎样通过频域分析发现不同认知状态下的脑波特征?以及何时需要结合时频分析来捕捉动态变化?

1. 环境准备与数据加载

工欲善其事,必先利其器。在开始EEG分析前,需要配置包含以下核心库的Python环境:

  • MNE-Python:专为EEG/MEG分析设计的工具箱
  • NumPy:数值计算基础库
  • SciPy:科学计算与信号处理
  • Matplotlib:数据可视化
  • Pandas:数据整理与分析
pip install mne numpy scipy matplotlib pandas

典型的EEG数据通常以.edf、.bdf或.set等格式存储。以常用的EDF格式为例,加载数据只需几行代码:

import mne

# 加载示例数据集
sample_data_folder = mne.datasets.sample.data_path()
sample_data_raw_file = sample_data_folder / 'MEG' / 'sample' / 'sample_audvis_raw.fif'
raw = mne.io.read_raw_fif(sample_data_raw_file, preload=True)

# 查看通道信息
print(raw.info)

注意:实际应用中需根据采集系统调整参考电极设置,常见配置包括平均参考、乳突参考或特定电极参考。

EEG数据预处理是确保分析质量的关键步骤,典型流程包括:

  1. 滤波处理:

    • 高通滤波(>0.5Hz)去除基线漂移
    • 低通滤波(<40Hz)抑制高频噪声
    raw.filter(0.5, 40, fir_design='firwin')
    
  2. 坏道检测与插值:

    raw.plot(block=True)  # 交互式查看异常通道
    raw.interpolate_bads()  # 自动插值修复
    
  3. 伪迹去除:

    • 眼电(EOG)去除<
ERPLAB脑电数据分析教程 1、安装与预设 实战数据 2、背景概念 DataSet:被试数据导入EEGLAB称之为DataSet,各个预处理步骤会更新DataSet ERPsets:对各个Bin对应的分段进行叠加平均,生成的平均ERP波形对应于一个ERPset。ERPset可以存储在磁盘上,包含了各种条件下的ERP波形 Bins:一种条件(或条件的组合)的刺激对应于一个Bin 3、ERPLAB处理数据的步骤 (1)导入数据 eeglab ... 阅读详情

相关推荐

脑电的频谱分析和时频分析-EEG Processing and Feature 5

这是《EEG Processing and Feature Extraction》的第五个视频资料整理。内容是“脑电的频谱分析和时频分析”。 脑电的频谱分析和时频分析内容简介背景 内容简介 背景

梁小憨憨的博客 2万+

探索脑电数据的宝藏:TUH EEG 数据集入门与实践

TUHEEG数据集是Temple大学医院收集的大规模临床脑电图数据库,包含数千小时多病症患者的EEG记录及丰富临床信息。该数据集核心价值在于推动神经科学研究、开发AI模型和教学实践,研究者可从中提取时域、频域等各类脑电特征。本文详细介绍了数据集特点,并提供了使用Python加载EDF文件、查看通道信息、可视化信号和提取事件标记的入门代码示例,为研究者利用这一宝贵资源提供了实用指引。

qq_32516809的博客 2311

【脑电分析系列】第7篇:频域分析基石 — 功率谱密度(PSD)的计算与常见方法对比

本文探讨了脑电图(EEG)频域分析的核心方法——功率谱密度(PSD)。通过对比基于快速傅里叶变换的周期图法和更稳健的Welch's方法,指出后者通过分段、加窗和平均处理,能有效降低估计方差,更适合分析非稳态的脑电信号。文章详细解析了关键参数设置对频率分辨率和统计稳定性的影响,并提供了Python计算实现。PSD分析将复杂的脑电信号转换为直观的频域特征,为研究认知功能和神经疾病提供重要依据。

qq_32516809的博客 1811

【脑电分析系列】第15篇:脑电功能连接性与脑网络分析(二):Granger因果性、图论指标与复杂网络构建

摘要: 本文深入探讨了脑电(EEG)分析中的高阶连接性方法——有效连接(Effective Connectivity),重点介绍了Granger因果性(Granger Causality, GC)的原理与应用。GC通过统计预测揭示脑区间信息流动方向,超越了传统功能连接的同步性分析。文章还结合图论指标(如度、路径长度、聚类系数和模块化)量化脑网络的拓扑结构,并通过Python代码(MNE和NetworkX库)演示了从EEG数据构建、分析复杂脑网络的完整流程。该研究为理解大脑动态互动、认知任务信息流及神经系统疾

qq_32516809的博客 1573

68、一千行代码:从EEG信号中挖掘时域、频域、时频域与空域特征的实战工具箱

本文介绍了一个约1000行代码的Python工具箱,旨在帮助研究者和开发者从EEG信号中高效提取时域、频域、时频域与空域特征。该工具箱封装了多种成熟算法,提供模块化、开箱即用的函数,简化了脑机接口(BCI)项目中的特征工程流程,并附有从数据加载、预处理到特征提取与模型应用的完整实战指南。

weixin_29095587的博客 494

脑电信号处理实战:用MNE-Python的ICA功能去除眼电和肌电伪迹(附完整代码)

本文详细介绍了如何使用MNE-Python的ICA功能去除脑电信号中的眼电和肌电伪迹,提供完整的代码实现和优化策略。通过独立成分分析(ICA)技术,有效解决传统滤波方法难以处理的频谱重叠伪迹问题,提升脑电信号分析的准确性和可靠性。

github5actions的博客 975

Python实战:用NeuroKit2和Scipy手把手教你提取EEG信号的时域、频域特征(附完整代码)

本文详细介绍了如何使用Python中的NeuroKit2和Scipy库提取EEG信号的时域和频域特征。通过完整的代码示例,涵盖了数据预处理、时域特征(如Hjorth参数和熵特征)提取、频域分析(包括功率谱和EEG节律功率)以及特征可视化方法,为脑机接口和神经科学研究提供了实用指南。

weixin_29058331的博客 398

运动想象 EEG 信号分析

对运动想象的公开数据集Data set IVa进行时域、频域、空域以及时频分析,提供公开数据的夸克网盘分享链接以供下载,同时提供Python分析代码

Jurio的博客 1808

信号处理应用:生物医学信号处理_(3).生理信号的特性分析

生理信号是指从生物体中获取的各种信号,这些信号可以反映生物体的生理状态。生理信号处理是生物医学信号处理的重要组成部分,通过对这些信号的分析,可以获取大量的生理信息,从而用于疾病的诊断、治疗以及生理状态的监测。本节将详细介绍生理信号的基本特性分析方法,包括信号的时域分析、频域分析、时频分析以及非线性分析。

2401_87715305的博客 1374

4G LTE 与 5G 无线网络规划对比:从 BBU/RRU 到 CU/DU/AAU 的架构演进解析

本文深度解析4G LTE与5G无线网络架构的演进差异,从BBU/RRU分立式架构到CU/DU/AAU三级重构,揭示移动通信代际跃迁的技术本质。重点对比了网络规划中的覆盖能力、容量规划、传输网络等九大维度,为通信工程师提供实用的技术对照手册,助力5G网络高效部署。

weixin_32821533的博客 289

【dify】 dify环境变量配置说明

SMTP_SERVER、SMTP_PORT、SMTP_USERNAME、SMTP_PASSWORD、SMTP_USE_TLS、SMTP_OPPORTUNISTIC_TLS:当 MAIL_TYPE 为 smtp 时,SMTP服务器的相关配置。UPLOAD_IMAGE_FILE_SIZE_LIMIT、UPLOAD_VIDEO_FILE_SIZE_LIMIT、UPLOAD_AUDIO_FILE_SIZE_LIMIT:分别为上传图像、视频、音频文件的大小限制(MB)。

tonysh_zds的博客 7359

基于FPGA的CORDIC算法实现——Verilog版

目前,学习与开发FPGA的程序员们大多使用的是Verilog HDL语言(以下简称为Verilog),关于Verilog的诸多优点一休哥就不多介绍了,在此,我们将重点放在Verilog的运算操作上。 我们都知道,在Verilog中,运算一般分为逻辑运算(与或非等)与算术运算(加减乘除等)。而在一开始学习Verilog时,老司机一定会提醒我们,“切记,千万别用‘/’除、‘%’取模(有的也叫取余)和‘

善良の一休君的博客 6万+

微信小程序|基于小程序+云开发制作一个菜谱小程序

今天吃什么?这是一个让强迫症左右为难的问题,跟随此文基于小程序+云开发制作一个菜谱小程序,根据现有食材一键生成菜谱,省心又省力。

商务合作 / 项目定制 / 学习交流。个人vx:lovely_wml 1万+

无人船 | 基于ROS的轻量级多无人艇自主导航仿真框架

无人水面艇USV是海上自主无人系统的关键组成部分,在民用、军用领域应用广泛,例如海上救援、水质测量、扫雷反潜等,因此对USV导航算法的研究具有重要意义。为了便于进行USV相关算法的验证与部署,本文介绍的这套基于ROS的多无人艇的自主导航仿真平台,轻量化地实现了建图、规划、控制等多种功能,同时自研框架保证了功能的高度可拓展和可定制

FRIGIDWINTER的博客 8020

提升YOLOv8检测精度的边界框损失函数Focaler-IoU与InnerFocalerIoU的应用与效果

YOLOv8是一种常用的实时目标检测模型,基于CNN(卷积神经网络)结构并结合了一些改进技术以提高检测精度和速度。YOLOv8的核心在于边界框的预测和分类,而准确的边界框预测是提高模型整体性能的关键因素之一。在传统的IoU损失基础上,Focaler-IoU和InnerFocalerIoU进一步聚焦于边界框的边缘区域,通过调整损失权重,更好地关注难以检测的边界框,提高模型的鲁棒性和准确性。# 计算IoU# 计算Focaler-IoU损失在这里,我们定义了。

博客 1347

CAPL与人工智能结合

AI模型是指通过机器学习算法训练得到的模型,可以用于分类、回归、聚类等任务。常见的AI模型包括神经网络、支持向量机、决策树等。在汽车电子系统中,AI模型可以用于故障诊断、驾驶行为分析、自动驾驶等场景。实时决策是指在汽车电子系统中,根据AI模型的预测结果,实时做出决策。实时决策可以用于自动驾驶、故障诊断等场景。通过本文的学习,读者应该对CAPL与人工智能结合有了初步的了解,并能够编写复杂的CAPL脚本。

闲人编程的博客 1484

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

上一篇: SMOKE单目3D目标检测实战:从KITTI数据集到自定义数据训练全流程
下一篇: 5个高效FUZZ工具对比:从Dirb到ffuf,哪个更适合你的漏洞挖掘需求?
pink
博客等级 码龄27年 50粉丝 1710原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值