Analyzing Neural Time Series Data 读书笔记6
Analyzing Neural Time Series Data
第六章读书笔记 仅做学习记录
6 Practicalities of EEG Measurement and Experiment Design
6.1 Designing Experiments: Discuss, Pilot, Discuss, Pilot
在收集信息之前做好实验设计,并进行初步的行为测试,然后分析数据,发现缺点,是否修改。若修改实验设计,则之前的数据就不能用了。
6.2 Event Markers
实验事件标记(或称触发器)是方波脉冲,从刺激物传送计算机发送到脑电放大器,通常作为单独的通道记录在原始数据文件中。在数据导入过程中,标记被转换成标记的时间戳,以指示实验中不同事件的发生时间。事件标记非常重要,因为它们用于离线锁定脑电图数据。它们也被用来重建不同的条件和反应。
许多数据采集系统不允许同时发送多个标记,当存在重叠标记时,只注册一个标记。如果有许多同时的和被阻止的标记,那么可能实验有问题,
每个标记的时间持续时间(指的是标记通道具有非零值的时间长度)应至少为几个样本;
确保你使用的软件可以与计算机硬件集成,以最大限度地提高计时精度和刺激传递,
时间和事件标记的值对实验非常关键,如果计时关闭或值没有正确编码,那么您对数据几乎无能为力。因此,当使用新的软件或硬件时,最好确认定时和事件标记值。
6.3 Intra- and Intertrial Timing
在一个实验中,实验事件间隔至少几百毫秒是理想的(注意,刺激偏移也会产生脑电扰动)。这将使大脑对一个事件的反应在下一个事件的反应开始之前消退。
如果对刺激的电生理反应的大致持续时间是未知的,你可以使用长的事件间隔时间来引导任务,看看每个事件的电生理反应持续多久。
关于从一次试验结束到下一次试验开始之间的持续时间(也称为试验间隔),请仔细考虑您将使用什么时间段对任务相关数据进行基线标准化,以及您要分析的频率。请记住,时频分解的基线时间段应在试验开始前结束,例如-500到-200 ms。这与ERP不同,ERP的基线周期通常在时间=0事件结束。时频分解导致基线周期提前的原因是时间滤波可能会导致一些早期的刺激后活动“泄漏”到刺激前的基线周期中,并且这种时间泄漏在低频下会更严重。
随着试验间隔的变化,受试者可能会试图猜测下一次试验的开始,这可能会引入时间期望、惊喜和可变的任务准备,受试者几乎总是会对下一次试验的时间产生预期,这些期望很可能会影响脑电图和行为。
6.4 How Many Trials You Will Need
每种情况下所需的试验次数取决于数据的信噪比特性(即数据的干净程度与噪声程度)、影响的大小以及要执行的分析类型。没有神奇的试验次数可以保证良好的结果或足够的信噪比
6.5 How Many Electrodes You Will Need
脑电图电极或脑磁图传感器的数量取决于你计划进行什么样的分析,以及你打算画出什么样的推论。如果你想提高大脑的定位和信号源的准确率,就需要进行更多的脑信号分析。另一方面,如果你只需要测量P3的振幅,技术上只需要三个电极(一个放在中央顶叶皮质上记录P3,一个作为参考,另一个用于接地)。至少64个便可进行所有分析。
6.6 Which Sampling Rate to Use When Recording Data
采样率的选择取决于几个因素,包括计划执行的分析类型、计划分析的频率以及可用磁盘空间和处理器速度/类型。
从技术上讲,需要对感兴趣的最高频率进行至少两倍的采样。这意味着如果要测试50赫兹的活动,就需要使用至少100 Hz的采样率。这是因为应用于时频动力学的奈奎斯特定理指出,只有低于采样率一半的频率可以恢复
在实践中,你应该以你将要分析的最高频率的两倍以上取样。每个振荡周期有更多的数据点会增加信噪比,因此可以更好地估计高频活动,分析涉及使用相角时间序列,则这种情况尤其如此,因为相角时间序列比功率时间序列更容易丢失时间信息。实际上,500赫兹至2000赫兹之间的采样率可能足以进行所有分析。采样率也要受到机器算力和内存的限制。
从分析方便的角度来看,1000hz是最佳采样率。在1000赫兹时,以毫秒为单位的时间和以样本为单位的时间之间有一对一的转换。也就是说,14ms也是14个样本。500和2000赫兹是下一个最方便的采样率(14ms分别是7个和28个样本)。
6.7 Other Optional Equipment to Consider
EEG电极很重要,但也要几个帮手出去数据中心分析不出来的伪影
- 反应肌电图或力量抓握
- 眼动跟踪器
- 电极定位设备
- 一张舒适的椅子(让受试者坐)
- 一个好的响应设备
Analyzing Neural Time Series Data 读书笔记6相关推荐
- Analyzing Neural Time Series Data 读书笔记3
Analyzing Neural Time Series Data 第三章读书笔记 仅做学习记录 3 Interpreting and Asking Questions about Time-Freq ...
- 读书笔记之-Analyzing Neural Time Series Data 1、2
读书笔记之-Analyzing Neural Time Series Data 1.2 1.1 什么是认知电生理学(Cognitive Electrophysiology) 1.6 数据样本和在线代码 ...
- 《3D Point Cloud Registration for Localization using a Deep Neural Network Auto-Encoder》读书笔记
3D Point Cloud Registration for Localization using a Deep Neural Network Auto-Encoder 题目:基于深度神经网络自编码 ...
- Noise2Noise:Learning Image Restoration without Clean Data读书笔记
论文题目:Noise2Noise: Learning Image Restoration without Clean Data 一.简介 论文提出,在没有干净数据的情况下也能对图像进行重建,重建效果和 ...
- 《Python神经网络编程(Make Your Own Neural Network)》读书笔记
声明 这是作者在CSDN上的第二篇博客,关于阅读塔里克·拉希德的著作<Python神经网络编程(Make Your Own Neural Network)>之后的读书笔记.跟诸位大牛相比, ...
- 《Cloud Native Data Center Network》读书笔记-1
<Cloud Native Data Center Network>读书笔记-1 2019年的一本书,云原生数据中心网络入门书籍,作者 Dinesh G. Dutt 是一家网络公司的首席科 ...
- 《Data Algorithm》读书笔记十一— 使用马尔科夫模型的智能邮件营销
<Data Algorithm>读书笔记十一 - 使用马尔科夫模型的智能邮件营销 1. 智能邮件营销 是什么? 根据顾客的交易历史观测(其实就是推测) "下一个智能邮件营销日期& ...
- 《BIG DATA大数据日知录 架构和算法》读书笔记
2019独角兽企业重金招聘Python工程师标准>>> <BIG DATA大数据日知录 架构和算法>读书笔记 博客分类: 架构 分布式计算 1.数据分片和路由 Hash ...
- 【读书笔记 | 自动驾驶中的雷达信号处理(第7章 目标滤波与跟踪)】
本文编辑:调皮哥的小助理 大家好,又和大家见面了,时间过得很快,到目前为止,如下面的目录所示,我们已经阅读过汽车雷达目标检测的一些基本的原理了,特别是距离.速度和角度.虽然这些表示瞬时目标状态的信息可 ...
最新文章
- 配置Windows Server 2003 的RADIUS Server的方法
- Bootstrap+PHP实现多图上传
- 判断一个数是不是2的指数幂
- Apache PDFBox 存在高危 XXE 漏洞,建议升级至 2.0.15
- Linux内核链表访问链表头指针,linux内核——链表结构分析
- SAS中修改一个表为编辑模式的时候不成功并给出警告的原因及解决办法
- GCD Timer事件的精度
- 小D课堂 - 新版本微服务springcloud+Docker教程_4-02 微服务调用方式之ribbon实战 订单调用商品服务...
- VS2010编译log4cpp日志库
- android登录界面素材,2014年国外30个精美APP登录界面UI设计欣赏
- 通用发票在线OCR识别,报销场景适用,支持近20种票据
- matlab 阿伦方差,GitHub - XinLiGH/GyroAllan: 陀螺仪随机误差的 Allan 方差分析
- MBA回乡卖家电,谁给了他年销600万的底气?
- 应用回溯算法求全排列
- 给自己看的(摘自他人)
- Cadence Allegro自动放置所有元件图文教程及视频演示
- MD5 SHA1 哈希 签名 碰撞 MD
- 7月26日科技联播:物联网技术可确保疫苗运输安全,NASA深入极旱之地为寻找火星生命遗迹做准备...
- 一文详解文本语义相似度的研究脉络和最新进展
- Redis缓存:java写入文件不覆盖
热门文章
- 微信curl上传客服头像接口遇到的坑
- 试用微软 必应输入法 功能简洁
- Leetcode——537. Complex Number Multiplication
- 代码管理工具之SVN
- 聪明是一种天赋,而善良是一种选择
- 美丽的窗花java分形_活动设计——美丽的窗花 (设计意图及教学反思)
- Arch Linux 添加 BlackArch 镜像源
- html 模拟百度和模拟360
- [排行榜]IT牛人排行榜
- Java实验——定义一个类,该类中包含以下几个方法(静态):实现两个字符串数组的逆序排序,输出结果为字符串数组;求两个整形数组的交集;求两个浮点型数组的并集;