无需代码，图文并茂详解EEGLAB中的ERPs数据分析方法

关注“心仪脑”查看更多脑科学知识的分

关键词：太空，脑电实验，文献解读

很多小伙伴在做完脑电实验之后，对如何进行数据处理很是发愁。预处理的步骤还好说，在EEGLAB里面“点点点”就能完成，但是后续的叠加平均等步骤在EEGLAB里面需要通过脚本来实现，得花费大量的时间去学习。本教程将介绍一种ERPs数据分析的方法，该方法无需代码，适用于数据量较小的情况，着急处理数据但来不及学习Matlab脚本编写的小伙伴们也可以参考（本教程基于Windows 11系统，Matlab2020a，EEGLAB v2021.1）。

01导入原始数据（Import data）

File---Import data---Using EEGLAB functions and plugins

选择采集数据时对应的厂商以及数据导出时的格式。如果在Using EEGLAB functions plugins里面没有找到对应的数据格式或者厂商，可以在红色框框圈出来的位置（Manage EEGLAB extensions）里面找一下对应的扩展包（比如这里我们以ANT的设备为例，就要选择ANTeepimport v1.13这个扩展包）。

有时候我们会碰到数据导入失败的情况，这时候可以：

①先检查一下自己的数据存储路径里面有没有中文字符，如果有的话就会报错；

小贴士: 无论是数据命名还是数据的存储路径，都不要出现中文，防止一些无法识别或者无法兼容的问题出现，避免不了的话可以用拼音来代替

②如果检查过路径中不存在中文字符且数据命名也不是中文的话，可以查看一下EEGLAB里面的数据导入扩展包有没有更新到最新版本，如果没有的话同样可以在Manage EEGLAB extensions里面进行更新。

导入成功后可以在EEGLAB的这个GUI界面看到所导入数据的一些基本信息，这里简单介绍一下每一行所代表的含义：

Filename这里显示none，说明导入原始.cnt格式的数据后还没有进行保存，EEGLAB里面进行处理后存储的数据均为.set格式;

Channels per frame代表着采集时所用电极帽的通道数量，这里为32导；

Frames per epoch代表每一个分段的采样点个数，因为此时还没有分段，所以这里显示的采样点总个数，由采样率与采样时间相乘所得；

Epochs表示分段数；

Events表示打上的Mark总数；

Sampling rate（Hz）表示采样率；

Epoch start（sec）和Epoch end（sec）表示分段的开始时间与结束时间；

Reference表示重参考所选择的电极点，这里显示unknown，表示还没有进行重参考；

Channel locations表示电极定位，目的在于让EEGLAB知道每一个通道对应的位置；

ICA weights表示ICA权重，EEGLAB主要采用独立成分分析的算法校正眼电伪迹；

Dataset size（Mb）表示数据集大小。

02电极定位（channel locations）

Edit---Channel locations

在做电极定位这一步之前，可以看到电极点的坐标都显示为0，而且画出的2-D图里面所有的电极点都集中在中心的位置，说明电极还没有定位完成。所以需要点击Look up locs查找电极坐标。

这里我们选择的是标准10-5的电极坐标定位，点击OK之后可以发现，每一个通道的坐标数值都显示了出来，而且不同的通道位置也与头模对应上了。这样，电极定位这一步就完成了。

03删除无用通道

Edit---Select data

在Channel range这一行选择后续数据分析中不需要的通道，注意一定要勾选上on-> remove these的小方框小贴士：如果接下来的重参考采用全脑平均的方式，这里可以选择删除掉双侧乳突M1、M2两个通道；如果后续重参考要以双侧乳突为参考，在这里要保留这两个通道。

04重参考

Tools---Re-reference the data

在采集过程中，ANT设备所设置的在线参考点为CPz。我们都知道，脑电记录的都是相对电压值，所以说参考点的电压值越接近于零电势，所采集到的每一个通道的脑电信号就越接近真实电压值。

CPz电极点明显距离零电势很远，由于大脑中容积传导效应的存在，导致在采集过程中邻近CPz的电极点变化很小，因此需要进行重参考这一步，重新选择一个接近于零电势的电极点作为参考点。

做完重参考之后可以看到，Channels per frame变成了30，而Reference的地方变成了M1、M2，接下来具体看一下脑电信号的变化。

（重参考前）

（重参考后）

比较明显的是重参考之前CP1、CP2以及Pz电极点由于距离在线参考点CPz很近，脑电信号变化很小，接近于一条直线；做完重参考之后，可以看到这些电极点的电压值有了明显的变化，而且所有通道都有相似的变化趋势。

05滤波

Tools---Filter the data---Basic FIR filter（new，default）

滤波这一过程是将所选频段范围之外的频率进行衰减，以达到去除脑电信号之外伪迹干扰的目的。具体所选的频段可以参考以往同领域的研究。

（滤波后）

将滤波后的脑电信号与重参考后的脑电信号进行对比，明显的变化就是波形图的高频“毛刺”减少，信号更加平滑了。

06分段

分段这里采用ERPLAB小插件创建了一个事件列表，后续依据这个事件列表进行分段处理。

值得注意的是，EEGLAB原始工具包中是不含有ERPLAB这个小插件的，同理可以在manage EEGLAB extensions里面找到这个小插件，直接下载就可以了。

Step1：创建事件列表（eventlist）

这里点击Advanced进入到创建的界面，Event Code的地方填上实验设置的Mark数，Bin number的地方按照1，2，3的数字顺序依次往下排列，填好之后点击Update Line就设置好一个Bin。

Step2：依据Bin分段

点击Extract bin-based epochs按照刚刚设置的Bin进行分段，随后跳出来的弹窗可以选择分段的时间窗。一般来说大部分ERP实验所选的时间窗为-200至800毫秒。

分段之后最开始的界面出现了些许的变化：Epochs的地方变成了分段的数量，Epoch start与Epoch end变成了分段的开始与结束的时间，即-0.2至0.8秒。这里之所以显示0.798，是因为采样率为500Hz（即1秒钟有500个采样点），那么每一个采样点的时间就是0.002秒，因此到最后一个采样点的时间刚好是0.798秒。这时我们发现数据量（Dataset size）小了很多，这是因为分段之后只保留了含有Mark的数据段。

07Run ICA

Tools---Decompose data by ICA

跑ICA会花费一些时间，这个过程就让电脑自己运行就好，运行速度取决于电脑的配置以及数据量的大小。

跑完ICA之后在Classify components using ICLabel中找到Label components，对独立成分进行提取。

这里出现的30个头图就是通过独立成分分析（ICA）分解出来的30个独立成分。EEGLAB会通过一些内置的算法对ICA分解出来的独立成分进行分类，比如分解出来的独立成分1属于眼电的可能性为97.1%。因为这一步的目的主要是校正眼电伪迹，因此选出来的大概率为眼电成分，基于自己以往的判断经验进行去除就可以。

判断好眼电伪迹的成分（这个例子中为1和11）之后，通过Remove components from data去除这两个成分，对眼电伪迹进行校正。

点击OK之后，在弹出的Confirmation窗口选择Plot single trial，可以看到去除成分之前与之后的信号对比。红色的是去除成分之后的信号，可以看到比较明显的向上突出的眨眼伪迹基本被校正过来了。这说明我们选对了成分，点击Accept就可以进行保存。

08叠加平均

ERPLAB---Compute averaged ERPs

Compute averaged ERPs直接保持默认点击RUN运行就可以了，计算完之后在ERPsets里面多出来一个ERP的数据集，而且Plot ERP的选项不再是灰色的了，表示可以基于这个数据集进行接下来的画图操作。

点击PLOT之后就画出了所有通道的ERP波形图，这个例子中偏差刺激所诱发出的P300波形还是比较显著的。

接下来在ERPLAB中找到ERP Measurement Tool可以提取具体的ERP数据，用于后续的统计分析。

总结

这里仅总结了EEGLAB的部分功能，在实际数据处理过程中还可能会遇到各种各样的问题。另外，当我们的数据量较大时，这样一步一步点还是比较麻烦的，所以说有机会一定要掌握一些简单的语句和代码，至少看到别人的代码知道如何去更改以供自己使用。

祝大家实验进展顺利，该显著的结果都显著。

全文完结，整理不易，看不完记得收藏，最后希望点赞支持一下！

了解更多，请关注“心仪脑”公众号！