脑机接口（BCI）的认识及EEG数据预处理介绍

一、脑-机接口概述
  贺斌老师介绍BCI：我们可以检测人类的大脑信号，解码其中的含义，在用这个含义去控制机器，这里的机器可以是机械臂、无人机、电脑等等。另外，我们可以把电、磁、声等信号传入到大脑里，来刺激或者调控神经回路的活动，目前这种神经调控主要应用于疾病的治疗。
  非侵入式BCI主要分为两大类，一类是基于运动想象的（MI），另一类是基于事件相关（ERP），通过测量解析ERP，以此来控制机器。可供测量的ERP有很多中，包括P300、稳态视觉诱发电位（SSVEP）、听觉诱发电位（AEP）。

二、脑-机接口的四层金字塔
1）第一层
  修复。BCI提出的最初目的解决修复残疾人的一些生理缺陷，让机器代替身体的一部分，通过心念（人想问题的时候会产生相应的脑电波）操作机器。例如2014年巴西世界杯开幕式上，瘫痪患者通过这种技术踢出了世界杯的第一球。
2）第二层
  改善。通过改善中风、癫痫、抑郁患者的大脑运行，达到治疗疾病的效果。改善的方式有很多，通过一定范式的训练构造大脑的可塑、通过电刺激和视觉刺激等方式改变患者的神经回路。这些方法都是基于非侵入式脑-机接口，由于这种方式的安全、可靠，脑-机接口的研究目前主要集中在这里。例如，Smart Cap公司生产的一款帽子，这个帽子可以缓解卡车司机的精神状态，避免司机疲劳驾驶。
3）第三层
  增强。通过BCI让我们在短时间获得大量的知识和技能，获得一般人无法具有的超能力。在这个领域内，记忆移植是一个研究重点，美国的科学家发现大脑的海马体能够记忆密码，有工作开始尝试着用芯片备份记忆，然后把芯片植入到大脑中，实现记忆移植。这个实验已经在猴子的身上实验成功。这项技术的最终目标是把大量的信息和资料传输到大脑里，或者把大脑的信息传输到计算机上，用机器分析脑电数据并做出相应的指令。
4）第四层
  改造。改造人类，实现进化。心想所成、隔空移物都将成为现实，虽然很遥远，但是我觉得人类一定会达到的！

三、EEG数据的采集
  目前大部分的实验室都是基于非侵入式的方法采集数据，采集的设备是脑电帽、放大器、主机接收。
  数据的组成：
1）Channel per frame：64 指的是数据的通道数
2）Frames per epoch：439880 就是一段数据的总长度、总采样点。
3）Epochs：1 指原始数据分为多少段
4）Events：20 当前打的标签数
5）Sampling rate（Hz）：200 数据的采样频率
6）Epoch start（sec）、Epoch end（sec）：分段的开始时间和结束时间。
7）Reference：指数据的参考点，一般是鼻尖。此处会显示出参考的电极。
8）Channel locations：Yes/NO 是否对通道进行定位。
9）ICA weights：Yes/No 是否对数据进行ICA独立主成分分析。
10）Dataset size（Mb）：数据的大小。

四、EEG数据的预处理
0）概述
  采集的原始脑电信号是一系列随着时间变化而不断变化的曲线，通常在收集数据时需要打标签（mark/event/trigger）：在我们关注的事件上做一个标记，这样方便我们对特定的事件进行分析。
1）定位通道数据
  我们采集的数据是通道的名称和数值，但是数据属于哪一个位置是不知道的，因此需要加载一个跟记录数据相匹配的通道位置信息，让电极和在大脑的位置对应起来。常用定位通道数据的文件是standard-10-5-cap385，指的是按照国际10-5系统排布的一共385个电极点信息模版。
  现在也有10-20系统，10-20系统电极放置法是国际脑电图学会规定的标准电极放置法。额极中点至鼻根的距离和枕点至枕外粗隆的距离各占此连线全长的10％，其余各点均以此连线全长的20％相隔，如下图所示。因此命名为10-20系统。

2）删除无用的数据
  对于采集的数据中存在一些后续处理不需要的数据，则会在预处理阶段剔除。比如移除掉两个眼电数据（HEO、VEO）。
3）滤波
  滤波分为高通滤波、低通滤波、带通滤波、凹陷滤波。高通滤波是指高于指定频率的信号将会被留下；低通滤波是指低于指定频率的信号将会被留下；带通滤波是指在某个频率范围内的信号将会被留下；凹陷滤波是指过滤掉某个频率范围内的信号。值得注意的地方是滤波并不能把所有不需要的信号过滤，它只是对不需要的信号进行衰减。因此有时候在滤波之后，会继续滤波，再次降低不需要的信号的强度。
4）分段
  在采集的数据中，我们感兴趣的是在做出刺激的数据段，因此，我们会根据打标签的地方，将数据切分成一段一段的，而在这些范围以外的数据就会舍去。比如ERP，一般都会在1s以内产生。因此在ERP分段事件前200ms到事件后1000ms这个时间段就足够了，但是做时频分析时需要扩大到时间前1s和事件后2s这个时间段内，因为时频分析需要一定的时间。
5）基线校正

• 我们希望看到在特定的刺激后，脑电信号会有所变化，但是原始数据有时候表现的并不是很明显。基线校正就是把被试平静状态下的脑电活动作为一个基线，刺激事件的脑电活动去和基线做比较，这样会更加的明显。
• 还有一个原因。我们采集的数据有时候存在逐渐缓慢向上漂移的趋势，这样在分段之后，每一个数据的起点不在一个地方，这样使这段数据绝对幅值变高。基线校正就会防止数据漂移带来的影响。
  6）重参考
    脑电数据的数值是电极所在位置与参考电极的电位之差。参考电极选取的位置一般是鼻尖、cz、头顶中央、单侧乳突。选取参考电极的标准：两个电极的距离与电位差成正比，因此选取参考电极应该尽可能的与所关注的电极有更大的距离。
  7）降低采样率
    降采样的目的是减少数据量，提高计算速度。降采样要注意两点，第一降采样要在滤波之后，第二降采样要满足奈奎斯特采样定律。
  8）插值坏导
    在做完上述这些处理之后，可以保存一下数据。因为在这之前的操作，是每个被试都需要做的基础操作，后期我们可以通过代码来实现批处理。而在这之后的操作，是需要根据每个被试的具体情况具体分析去处理的，因此只能一个个做，不能进行批处理。
    从这一步开始可以说是真正的去除伪迹的过程了。去伪迹大体分为两种，横向操作和纵向操作，横向即对通道进行校正操作，对数据不好的导联进行插值处理，纵向是指挑出数据不好的trials，删除掉。建议是先横向处理后再纵向剔除，尽量保留下更多的trials数。
    EEGLAB中插值坏导有两种方式，一种是以某通道周围几个通道的数据的平均值，来替代这个通道的数据，这种直接通过代码实现即可。另外一种是EEGLAB里内置的一种算法实现。我们记录的是头皮脑电，头是一个球体，因此直接用周围数据的均值来代替这种方法有点粗糙，而EEGLAB内置的方法则会考虑到容积传导效应，以及近的点和远的点贡献的权重不同来进行插值，因此会更加有效。
  9）独立主成分分析（ICA）
    我们知道脑电信号发生在头皮下方颅骨内部，经过一层又一层的传播，不同源的信号会相互影响。独立主成分分析就是对记录的数据做一个逆运算，把每个记录点的数据分解成一个又一个成分，然后剔除伪迹成分。
  10）剔除坏段
    预处理到了这一步，已经接近于完成了。最后一个步骤就是要剔除掉波幅超过100微幅的trial(要求严格一点也可以定位80)，因为波幅起伏这么大的活动，已经不是由认知活动引起的了，肯定是由于其他的动作引起的，所以可以直接剔除掉。
    这一步操作一定要在插值坏导和ICA去除眼电成分之后再做，因为有可能被试眨眼比较频繁，那这么操作下来，有可能就需要删掉接近一半的trials数了，删掉的trials数太多，这个数据也就废了。所以要将它留到最后一步才做，同时，这个操作也能用来检查我们前两步操作是否足够有效。