Here, what we can offer U
自1929年首次在人类大脑头皮表面记录到脑电以来，EEG在科学研究领域与临床应用方面的重要性与日俱增。目前EEG的研究领域涵盖了心理学、语言认知学、医学、神经科学等。世界范围内每年有数千篇与其相关的学术论文在不同水平的学术期刊或会议上发表，且论文数量呈逐年递增的趋势。能否发表一篇高质量的论文，数据结果是一个重要的因素，而结果的好坏与数据的处理分析方法密不可分。目前常用的EEG/ERP数据处理分析主要是基于时域分析（幅值和潜伏期的分析）、频域分析（频谱特性分析）等方法。随着数据处理分析方法的不断发展，像张量分解、独立成分分析（ICA）、主成分分析（PCA）和时频分析等对研究人员的数据处理能力有了更严格的要求，需要系统的培训才能了解其原理和熟练操作。
脑域科技以“为数据发声”为使命，致力于开发和推广数据处理分析技术和方法。特推出以下EEG/ERP数据处理分析业务，为从事脑科学领域研究者提供专业的数据解决方案与服务。
本文中所有图片均来自脑域科技实际数据处理分析结果，版权为脑域科技所有。如需使用，请点击联系我们-版权声明。
01
预处理
观察EEG/ERP原始数据的整体波形图、脑地形图、频谱图和时频图等以了解其在不同方面的信息（见图1），并基于EEGLAB[1]等软件对其进行预处理，包括电极定位、剔除/替换电极、重参考、手动去伪迹、滤波、分段、去基线和ICA去眼电等步骤。
图1 原始数据的整体波形图、频谱图、时频图及ICA去电眼时一个伪迹成分示例
02
时域分析
通常叠加平均后的ERP数据是若干ERP成分的叠加，利用脑域科技开发的ERP_PCA_Toolbox中嵌入的FFT滤波器，Wavelet滤波器并结合主成分分析对ERP成分进行精准提取，实现对感兴趣成分的精准分析。
图2 利用PCA进行处理分析的示例
03
时频分析
通过短时傅里叶变换（The Short-Time Fourier Transform, STFT）、复Morlet连续小波变换(Complex Morlet Continuous Wavelet Transform,CMCWT)、基于匹配追踪分解的Gabor变换和魏格纳分布相结合的算法、多通道希尔伯特黄变换等时频分析方法[2]，将一维的EEG/ERP时域信号变换为两维的时-频信号，绘制时频表示图和脑地形图（分别见图3第一行和第二行），提取感兴趣区域的能量值（见图3第一行黑色虚线区域）进行统计分析。
图3 不同条件在电极Fz时频表示图及脑地形图（Go/No-go实验范式）示例
04
源定位
脑电源定位：通过sLORETA、Brainstorm等工具包对脑电信号进行溯源分析，即根据头皮测量的电位信号，反演估计脑内神经活动源的位置、方向和强度信息，找到感兴趣ERP/EEG对应的激活脑区。
图4 源定位示例
05
张量分析
通过Canonical Polyadic (CP)和Tucker等张量分解算法[3-5]，对EEG/ERP的时域或时频数据构成的高阶张量进行分解，以挖掘不同被试之间ERP的个体差异，同时可观测到ERP在时域、频域和空间域的特性（图5是用非负CP分解算法对一个ERP时频结果构建的四阶张量进行分解的部分结果示例，图中的时频表示图是时域成分与频域成分外积得到的）。根据感兴趣ERP成分在时域、空间域和频域（分别对应图5中的第2/3/4列）特性选择出感兴趣的成分，进而利用其对应的多域特征（见图5中的第1列）进行进一步的统计分析。图5 一个ERP时频表示的四阶张量的非负CP张量分解的部分结果示例
06
脑连接
根据数据特征选择合适的方法计算邻接矩阵，基于时域、频域、信息论等方法计算脑功能连接的邻接矩阵，揭示不同脑区之间的连接关系；基于格兰杰因果关系（Granger Causality）及其在频域中的拓展，如定向传递函数（DTF）和部分定向相干（PDC）等方法计算脑效应连接的邻接矩阵，揭示大脑中的信息流向。根据邻接矩阵绘制矩阵连接图（如图6第一列图形）和对应的脑网络图形（如图6第二列图形）。基于图论的方法计算集聚系数（如图6第三列图形）、特征路径长度等脑网络特征并根据不同被试之间的脑网络差异进行统计分析。图6 不同组被试的邻接矩阵、64通道的脑网络图形和不同通道的集聚系数示例
07
OnGoing EEG分析
自然刺激下（听音乐，看电影），连续脑电信号的处理分析[6]。利用张量分解算法提取自然刺激诱发的脑电成分，再利用MIR_Toolbox提取长时音乐特征，进而对两者进行相关运算以挖掘人脑加工音乐信息所利用的音乐特征、交互脑区和作用频率等信息。
图7 OngoingEEG数据处理分析示例
08
机器学习的应用
利用EEG数据在时域（如峰峰值检测,zero-crossing）、频域（如功率谱密度等）、非线性（如复杂度、分形等）、多尺度熵等方面提取的特征进行有效性评价和特征选择；再基于人工神经网络、脉冲神经网络、朴素贝叶斯、支持向量机，随机森林等对已经选择的特征进行识别分类。
图8 基于EEG的特征提取及模式识别示例
其他EEG/ERP数据处理方法正在孵化中，欢迎大家持续关注。
敲黑板，划重点！！！！！
为了满足部分客户的需求，脑域科技特推出专业的一对一数据处理分析服务，具体数据处理分析价格，如下表所示：
表1 EEG/ERP数据处理分析模块定价表
| 处理模块 | 处理内容 | 定价 |
|---|---|---|
| 预处理 | Visual Inspection | 30￥/例 |
| Filtering | ||
| ICA去伪（基于脑域科技ICA Toolbox） | 20￥/例 | |
| 时域分析 | 常规方法（叠加平均）+ FFT filter/Wavelet | 600￥/批 |
| 常规方法/FFT filter/Wavelet filter + PCA | ||
| 频域分析 | 各oscilation能量计算及其统计分析 | 400￥/批 |
| 时频分析 | 基于短时傅里叶变换/小波变换等方法的时频域分析及其统计分析 | 600￥/批 |
| 张量分析 | 利用张量分解算法提取脑信号深度特征及其统计分析 | 600￥/批 |
| 溯源分析 | 基于sLORETA的源定位及其统计分析 | 600￥/批 |
| 脑连接 | 基于时域、频域等方法计算邻接矩阵，分析脑网络特征 | 600￥/批 |
| Ongoing EEG | 自然音乐刺激下脑电信号的分析处理 | 商议 |
对于需要多个模块组合分析的客户，另有定制化服务价格，请点击联系我们。
参考文献
[1] DELORME A, MAKEIG S. EEGLAB: an open sourcetoolbox for analysis of single-trial EEG dynamics including independentcomponent analysis [J]. Journal of neuroscience methods, 2004, 134(1): 9-21.
[2] WACKER M, WITTE H. Time-frequency techniquesin biomedical signal analysis. a tutorial review of similarities anddifferences [J]. Methods of Information in Medicine, 2013, 52(4): 279-96.
[3] HITCHCOCK F L. The expression of a tensor ora polyadic as a sum of products [J]. Journal of Mathematics and Physics, 1927,6(1): 164-89.
[4] TUCKER L R. Some mathematical notes onthree-mode factor analysis [J]. Psychometrika, 1966, 31(3): 279.
[5] CONG F, LIN Q-H, KUANG L-D, et al. Tensordecomposition of EEG signals: a brief review [J]. Journal of neurosciencemethods, 2015, 248(59-69.
[6] CONG F, PHAN A H, ZHAO Q, et al. Analysis ofongoing EEG elicited by natural music stimuli using nonnegative tensorfactorization; proceedings of the Signal Processing Conference, F, 2012 [C].
“欢迎同步关注知乎专栏：脑域科技”
编辑排版 | Weir
责任编辑 | 张光辉