脑电数据处理分析—

声明：参考来源：https://zhuanlan.zhihu.com/p/34410111

生理信号数据常用的格式为edf，而matlab常用的是mat,txt。

如果已经在数据库里下载了edf格式的数据。不妨先了解下EDF格式具体内容：

HEADER RECORD

8 ascii : 数据格式的版本
80 ascii : 被试ID
80 ascii : 数据记录编号

8 ascii : 开始记录的日期 (dd.mm.yy)
8 ascii : 开始记录的时间 (hh.mm.ss)
8 ascii : 头比特数

44 ascii :保留给EDF+
8 ascii : 初始值-1，结束时被赋其他值

8 ascii : 数据持续记录时间，s
4 ascii : 记录几种信号种类

ns * 16 ascii : 电极位置，体温等信息

ns * 80 ascii : 电极信息
ns * 8 ascii : ns * 幅值单位信息

ns * 8 ascii : ns * physical minimum (e.g. -500 or 34)
ns * 8 ascii : ns * physical maximum (e.g. 500 or 40)
ns * 8 ascii : ns * digital minimum (e.g. -2048)
ns * 8 ascii : ns * digital maximum (e.g. 2047)
ns * 80 ascii : 滤波器参数
ns * 8 ascii : 采样率
ns * 32 ascii : 采集信号类型

DATA RECORD
nr of samples[1] * integer : first signal in the data record
nr of samples[2] * integer : second signal
..
nr of samples[ns] * integer : last signal

我们将matlab官方提供的读edf头文件的脚本跑一下：看看是否像如上格式

 [header,~] = edfread('Subject00_1.edf')

“edfRead ” version 2.10 (7.44 KB) by Brett Shoelson：

(温馨提醒：为保证后续阅读，手机用户长按松开拷贝地址到浏览器打开为宜)

http://cn.mathworks.com/matlabcentral/fileexchange/31900-edfread

下载代码，命令行运行结果如下：

我的数据结果：

符合翻译的Header的格式。

帧头之后就是数据。

这里原始数据我用了网上的另一个代码：因为他支持的格式更全，支持edf,rec转mat。

用的是 Alois Schloegl 的脚本。（点击下载源码）

https://files.cnblogs.com/files/myohao/edfsample.zip

mathworks官网也给出了列子：https://ww2.mathworks.cn/matlabcentral/fileexchange/31900-edfread?s_tid=prof_contriblnk

直接运行代码取变量S的前三列，即EDF数据前三通道的脑电数据，画出结果如下：

recorddata = recorddata';
%转置数据,一列为一个通道,采集的数据太长，只展示2000点
plot(recorddata(1:2000,1:3));

将工作区的变量S右键，数据另存为导出为txt。好了有了我们最熟悉的txt格式，接下来选出想分析的通道（列）进行分析就可以了。

（我的数据为一行代表一个通道）

接下来我们跑个简单的算法：FFT分析睡眠数据，我们提取出不同的节律，也就是不同的频段，进行功率谱估计。

以下是四种节律：

α/阿尔法脑波（ALPHA）在大脑中有时出现，有时消失，它并不总是存在。例如，在深睡情况下没有α波；如果一个人在激动状态下，或恐惧，愤怒时，大脑中也没有α脑波。α脑波在初睡或初醒时出现（即半睡半醒时），此时身体处于放松状态，并有自觉的警觉意识。

δ/德尔塔脑波（DELTA）只在深睡时出现。

θ/西塔脑波（THETA）在浅睡时出现。

β/贝塔脑波（BETA）在清醒时出现，伴有需努力能够达到的注意力集中。

不懂傅里叶变换原理的先来这里：最通俗的讲解传送门：

https://zhuanlan.zhihu.com/p/19759362

Matlab下FFT实现代码实例：

https://cn.mathworks.com/help/matlab/ref/fft.html?searchHighlight=FFT&s_tid=doc_srchtitle

由于添加了噪声，fft之后的数据强度接近0.5和1，但不完全相等

%fft部分实验，生成带噪声的数据，fft变换，再反变换回时域数据
%Y = fft(X,n)如果 X 是矩阵，则 fft(X) 将 X 的各列视为向量，并返回每列的傅里叶变换。
%fft的官方解释https://ww2.mathworks.cn/help/matlab/ref/fft.html?searchHighlight=FFT&s_tid=doc_srchtitle
Fs = 500;            % Sampling frequency
T = 1/Fs;             % Sampling period
L = length(recorddata(:,1));  % Length of signal
t = (0:L-1)*T;        % Time vector
%构造一个信号，其中包含幅值为 0.7 的 50 Hz 正弦量和幅值为 1 的 120 Hz 正弦量。
S = 0.7*sin(2*pi*50*t) + sin(2*pi*120*t);
%用均值为零、方差为 4 的白噪声扰乱该信号。
X = S + 2*randn(size(t));
%在时域中绘制含噪信号。通过查看信号 X(t) 很难确定频率分量。
figure; plot(1000*t(1:50),X(1:50))
title('Signal Corrupted with Zero-Mean Random Noise');
xlabel('t (milliseconds)');
ylabel('X(t)');
%%
%计算信号的傅里叶变换。
Y = fft(X);
%计算双侧频谱 P2。然后基于 P2 和偶数信号长度 L 计算单侧频谱 P1。
P2 = abs(Y/L);
P1 = P2(1:L/2+1);%计算单侧频率
P1(2:end-1) = 2*P1(2:end-1);
%定义频域 f 并绘制单侧幅值频谱 P1。与预期相符，由于增加了噪声，幅值并不精确等于 0.7 和 1。一般情况下，较长的信号会产生更好的频率近似值。
f = Fs*(0:(L/2))/L;
figure; plot(f,P1)
title('Single-Sided Amplitude Spectrum of X(t)')
xlabel('f (Hz)')
ylabel('|P1(f)|')%%
%现在，采用原始的、未破坏信号的傅里叶变换并检索精确幅值 0.7 和 1.0。
Y = fft(S);
P2 = abs(Y/L);
P1 = P2(1:L/2+1);
P1(2:end-1) = 2*P1(2:end-1);figure; plot(f,P1)
title('Single-Sided Amplitude Spectrum of S(t)')
xlabel('f (Hz)')
ylabel('|P1(f)|')

有了FFT的函数，在主函数中调用，分割不同频率，分割不同时间，就得到需要的图片了。比如，我想得到10s-150s的θ/西塔脑波（THETA）值。部分源码在这：

http://www.cnblogs.com/myohao/p/8539001.html

测试结果如下

符合截取区间。

附：

主要的心电数据库：https://www.cnblogs.com/myohao/p/8538740.html

edf转txt, mat：https://files.cnblogs.com/files/myohao/edfsample.zip

上面没有给出来中间fft的过程，摸索一下再来补充~

脑电数据处理分析——edf转mat及fft相关推荐

Analyzer脑电数据处理步骤
Analyzer脑电数据处理步骤 1 简化版流程 2 详细版流程 2.1 设置数据路径的workspace 2.2 转换参考(New Reference 2.3 滤波(Filters) 2.4 ICA ...
Python中FIR滤波和STFT滤波对比（MNE脑电数据处理）
在脑电数据处理中滤波是很重要的一个步骤,直接影响后面的特征提取等计算流程.在之间写的博客中有过介绍(https://blog.csdn.net/zhoudapeng01/article/details ...
CHB-MIT波士顿儿童医院癫痫EEG脑电数据处理-癫痫发作预测（六）
CHB-MIT波士顿儿童医院癫痫EEG脑电数据处理-癫痫发作预测(六) 导入需要的包各功能模块数据集导入模型训练训练结果保存模型测试结果导入需要的包 import numpy as np ...
CHB-MIT波士顿儿童医院癫痫EEG脑电数据处理-通道选择（五）
CHB-MIT波士顿儿童医院癫痫EEG脑电数据处理-通道选择(五) 概述通道选择模型通道选择 LightGBM模块代码 LightGBM模型训练概述由于癫痫发作时不是整个大脑区域都有相关的反映 ...
数据分析实战＜一＞脑电(EEG)分析
这两天需要对预实验的脑电进行一个分类,在这里记录一下流程脑电分析系列文章 mne官网 mne教程随机森林分类 Python 多因素方差分析文章目录 1. 脑电数据的处理 1.1 基本概念 1.2 ...
茗创：脑电数据处理业务
文章来源于微信公众号(茗创科技),欢迎有兴趣的朋友搜索关注. 01 数据预处理好的数据质量是获得可靠结果的前提,而预处理的质量往往对后处理的结果存在一定的影响.脑电的数据对噪音的敏感性很强,为了提高 ...
用MNE包进行Python脑电数据处理
代码来自公众号"路同学". 这里仅仅把路同学总结的文档里面的代码挑出来了而已.为了方便想先试用一下MNE进行脑电预处理的友友. 这里加载的数据集是你的eeglab里面的sample ...
脑电溯源分析/源定位 EEG source analysis / Localization
脑电溯源定位,即脑电逆向问题,是根据头表记录到的电位信号,反向推算出估计的脑内神经活动源的位置.方向和强度信息. 参考链接:脑电溯源定位本质上,脑电逆问题是非线性优化问题,考虑到计算的复杂性,因而近 ...
CHB-MIT波士顿儿童医院癫痫EEG脑电数据处理-2D-CNN（四）
主要内容 1.数据提取 2.提取过程 1.数据提取本次教程做适用于整体数据集上的处理工作,以不同的的处理代码展示整体的数据处理! 本次数据处理教程是没有做STFT变换,之间将提取的数据变换为适合2D ...

脑电数据处理分析——edf转mat及fft

脑电数据处理分析——edf转mat及fft相关推荐

最新文章

热门文章