ERP_07源分析和成分分析(包含ICA分析的步骤).ppt

溯源分析,Patchofalignedpyramidalcellsingraymatterlayer,偶极子是一对数值相等、方向相反的电荷。脑内众多神经元兴奋引起的电活动可以总和在一起用一对电荷表示，称为等价偶极子（equivalentdipole）。,InverseCalculation,HeadModel,SensorsModel,SourceModel,Data(measured),影响定位准确性的因素,信号传导问题头颅不规则性发放源深浅操作因素：分析时间的选择、头模型和偶极子模型的选择,溯源分析软件,CurryBesaGeosourceICA,溯源分析需要的4个文件,功能数据：.avg解剖数据：.img电极位置：.3dd解剖标志位置：.pom,创建BEM头颅模型,Atthebeginning:ImportdataintoNEUROSCAN,我们先读入了最原始的文件：1_t(nback是我们这个实验的名称),WorksintheEEGLab:EEGLab:Import,只有EEGLAB系统，可以很好的的进行ICA分析，从而很好的达到我们的目的：去掉眼动对脑电造成的影响眼电校正所以我们在EEGLAB系统中做接下来的分析。,所导入的数据的一些基本信息。,这里我们得到了：1_nback.set,定义电极位置。由于NS电极位置使用标准名称，所以按照默认设置导入即可。,1.RemovebadchannelsRemoveHEOG&VEOG,前面提到过，进入ICA分析的数据，需要：1，干净、无误的数据；2，具有统一的参考点的数据。所以，这里我们首先要去掉坏电极。坏电极首先是在数据记录过程中发现的异常电极，然后是ICA分析后发现的异常电极。由于NeuroScan中，HEOG与VEOG均是双极参考，所以也要去掉。（EGI系统中不存在这个问题）NS系统里似乎只能标注去掉什么样的电极而不能完全删掉它，而对坏电极的标记在进入EEGLAB时又消失了，所以还是推荐在EEGLAB中进行这一步。,这里我们得到了：2_withoutP8T7HV.set,2.RunICA,独立成分分析(IndependentComponentAnalysis，ICA)是近期发展起来的一个新的数据及信号分析方法，是一种将源信号从混合信号分离出来的信号处理技术。这里我们假设，每个电极位置的头皮都是一个脑电的源成分，并通过分析每个电极记录到的电压，用ICA方法计算每一个源成分的活动情况。我们通过计算电极Channel所记录下的电压变化的情况，得到电极活动的源成分Components的活动情况。,这里我们得到了：3_ICA.set,3.RemoveComponentswhicharerelatedtoeyemovements,通过ICA分析，我们可以获得眨眼、水平眼动的活动的源成分，以及这个源成分的活动模式。那么，当我们去掉这两个源成分的活动时，剩下的数据就是没有眼动影响的、干净的脑电活动了。好的条件下，我们可以排除掉所有的伪迹、包括眼电，最终取得干净的数据。但是如果被试有过量的眼动，而排除掉有眼动的数据会使可用的数据量过少时，我们就需要做眼电校正。一些实验情况下，有眼动的数据必须进行排除而不是校正。这就需要根据实验刺激的属性、实验目的等来判断，能否接受校正过的数据。,那么哪些成分是与眼动有关的呢？,好的ICA分析2D图：首先脑外没有分布；其次有集中的峰值。,不好的ICA分析2D图举例,怎样确定：某成分是眨眼的源成分，某成分是水平眼动的源成分，而别的成分都不是呢？,这里我们通过对比成分波形图与位置波形图来确定。,源成分1的活动变化与垂直眼动的电压变化相吻合,源成分8的活动变化与水平眼动的电压变化相吻合,去掉对应的源成分后，它自动会计算新的EEG波形。,得到：4_ICAwithout18.set,去掉眼电成分前的EEG波形,去掉眼电成分后的EEG波形,4.Epoch,1,2,3,4,5,5.Removeincorrecttrials,6.Createstudy,7.PrecomputeERP,8.ExportERPsfromeeglab,Methods,35,Stimuli,Background:919linesegments714Uppervisualfield,Target:2.55jitterredfromthefixation,Mask:Fixation:superimposed“T”and“L”,75Hz1024768pixels114cm,Methods,36,Trialsequence,Methods,37,Experimentalprocedure,SOA=600ms320trials/session,SOA=466-40ms1120trials/session,15subjects,Behavioralsession:SOAwasdecreasingfrom466msto40ms:oneblockeachat466,360,266,226andthreeblockseachat186,160,146,120,106,80,66,40ms.Eachsession:28blocks40trials,Methods,38,EEGrecordingsession,128-channelHydroCelGeodesicSensorNet(EGI)Resistancebelow50KPhysicallyreferencedtoCzandthenoff-linere-referencedtotheaverageoftheleftandrightmastoidchannels.Bandpassfilter:0.1to200HzSamplingfrequency:500HzSegment:200msbeforestimulusonsetand600msafterBaseline:200mspre-stimulusandlastedfor200ms.,Methods,39,Channelgroupsusedforanalysis,Factorsusedinrepeated-measurementANOVA:SessionVisualfieldHemisphereArea,Results:behavioral,40,Long-termperceptuallearninghadtakenplace,Letterdiscrimination:80%correctresponseSession:F(5,70)=20.973,p0.001,Errorbar:meanstandarderror,*,*,41,TheimprovementratiooftheaveragedthresholdSOA,74.6%transfertosession6,58.8%maintenancetosession6,1-Tx/T1,Results:ERP,43,C1,session:F(5,70)=0.788,p=0.562visualfield:F(1,14)=1.484,p=0.243,44,C1topographicmap(68-84ms),C1peakamplitude,C1:nosignificantchange,45,SourcelocationbyBESA,C1(68-84ms,session1,thetrainedvisualfield)Twodipoles:x=15.6,y=-77.7,z=6.8(R.V.5.6%)Location:BrodmannsArea17,V1,46,P1:smalllearning-relatedchanges,session:F(5,70)=2.021,p=0.086session1vs.session2:p0.006session1vs.session5:p0.034testIIvs.6thsession:p0.037,47,AnteriorP160-350:theupperleftvisualfield,N=15,160ms,350ms,ms,uv,Negativeshift,48,ThetimecourseofanteriorP160-350changewasverysimilartothepatternofbehavioraltrainingperformance,session:F(5,70)=19.882,p0.001visualfield:F(1,14)=1.560,p=0.232,*,*,*,*,49,Topographicmap(160-350ms),50,TheposteriorP160-350,session:F(5,70)=2.851,p0.022visualfield:F(1,14)=0.368,p=0.554testIIvs.6thsession:p=0.601,positiveshift