吃山核桃像挖过泥
吃山核桃像挖过泥

脑电数据预处理和后续处理（EEGLAB）

目录

    • EEGLAB
      • 下载与安装
      • 载入数据
      • 绘制脑地形图
      • 脑电数据预处理
        • 参考转换（Re-reference）
        • 滤波
        • 改变采样率
        • 移除无用电极
        • 分段
        • 基线校正
        • 伪迹去除
        • 剔除坏段
        • 叠加平均
        • 保存数据
      • 脑电分类
        • 特征提取
        • 分类

由于我的毕设涉及到脑电信号的处理与分类，所以在这记录一下我的学习过程。不得不说我留给毕设的时间好像不足以支撑到我完全理解eeglab的使用…

EEGLAB

下载与安装

我的matlab版本是R2018a，在eeglab官网下载了之后放到了matlab文件夹下toolbox里边，然后再添加路径就可以使用了。
出现的问题
当打开eeglab时，界面提醒 R2018a需要升级,同时eeglab运行到关掉某个进行过程时，matlab会崩溃
脑电数据预处理和后续处理（EEGLAB）_第1张图片
然后我下载了R2018a升级的压缩包，解决了这个问题。

载入数据

  • 采集之后我得到的数据是cnt的文件，在界面的file–>import data下可以选择导入cnt格式的数据，如下图：
    脑电数据预处理和后续处理（EEGLAB）_第2张图片
    载入数据之后，可以看到界面显示为：
    脑电数据预处理和后续处理（EEGLAB）_第3张图片
    这里我出现了个问题，我采集脑电设备的电极是64极的，但是eeglab显示是67个通道，其中多了三个通道，观察数据发现有三行值是100到500多的，搞不懂为什么，如果有知道的朋友希望评论一下，谢谢 我感觉这个问题是个雷，可能之后的处理操作就因为这个都错了…
    更新：
    参考：link
    这个网页中描述的问题和我的相似，他采集设备的电极是128，但是导入后eeglab显示有132个通道。回答说FidNz = the fiducial marker near the nose (nasion)，eeglab会自动检测出三个隐藏通道，然后建议是选择比采集电极多的电极位置图，不过也要保证电极位置的正确。
  • plot–>channel data(scroll) 可以观察对应电极通道的序列图。

绘制脑地形图

edit --> channel location --> read locations --> 选择位置文件
这里需要注意的是如果要选择位置文件的话（也可以不选择，eeglab有自动匹配），在eeglab的文件夹中的sample_locs下可以选择对应的文件。被试佩戴脑电帽的通道数为 64 导，电极位置遵照国际 10-20 标准分布。
因为我没有找到对应的电极位置文件，所以我并没有选择 Read Location,直接用的eeglab自动对准的。

脑电数据预处理

参考转换（Re-reference）

脑电数据预处理和后续处理（EEGLAB）_第4张图片

滤波

这部分具体应该选择的频率范围我不是很确定，我选择了0.25~30Hz，依次在第一框中填入0.25和第二个框中填入30进行计算，两个一起填代表进行带通滤波，建议分开进行，先高通滤波再低通滤波。
脑电数据预处理和后续处理（EEGLAB）_第5张图片

改变采样率

原数据的采样率是1000Hz,很占内存，所以我将采样率改为120Hz。
降低采样率需要注意：

  • 一是降低采样率要在滤波之后。因为降低采样率会使我们丢失高频信息，使高频信息变得扭曲，所以最好在保留了我们感兴趣波段之后再去降低采样率，这样可以保证信号最大程度不会失真。
  • 二是根据负荷采样定理：选择是我们想要分析的波段频率的3，4倍以上，理论上来说，我们的采样率必须是我们想要分析的波段的两倍，比如我们想要分析60Hz的波，那数据采样率为120Hz就足够了。实际上，建议采样率最好在分析波段的三到四倍。

移除无用电极

移除眼电通道
脑电数据预处理和后续处理（EEGLAB）_第6张图片

分段

脑电数据预处理和后续处理（EEGLAB）_第7张图片
一般的ERP分段在事件前200毫秒到事件后1000毫秒这个时间段就足够了，因为几乎所有的ERP成分，都是在1秒以内产生的。但是如果后期还要做时频分析的话，则需要将分段时间拉长，扩大到事件前1秒到事件后2秒这个时间段内，因为时频分析的算法，要求数据要有一定的长度。

基线校正

分段之后就会跳出基线校正的操作框。

伪迹去除

使用ICA算法分解数据。
脑电数据预处理和后续处理（EEGLAB）_第8张图片

绘制2-D Component Scalp Maps，这一步需要对每一个成分进行查看和判断，然后将想要剔除的成分先标记起来。
脑电数据预处理和后续处理（EEGLAB）_第9张图片
剔除ICA成分
脑电数据预处理和后续处理（EEGLAB）_第10张图片
剔除哪些成分，我是借助了Adjust插件（Adjust 需要自己安装，不是 EEGLAB 默认携带的。）

绘制 component spectra and maps，了解哪些独立成分对特定的频段贡献最大,这里我设置需要随机选择的数据的百分比为100%。
command line上显示的结果如下：

Component 1 percent relative variance:  83.77
Component 2 percent relative variance:  12.14
Component 3 percent relative variance:   6.57
Component 4 percent relative variance:   7.76
Component 5 percent relative variance:   8.08
Component 6 percent relative variance:  14.21
Component 7 percent relative variance:   2.81
Component 8 percent relative variance:   6.20
Component 9 percent relative variance:   4.55
Component 10 percent relative variance:   1.20
Component 11 percent relative variance:   3.25
Component 12 percent relative variance:   2.63
Component 13 percent relative variance:   1.39
Component 14 percent relative variance:   2.48
Component 15 percent relative variance:   2.11
Component 16 percent relative variance:   1.41
Component 17 percent relative variance:   1.35
Component 18 percent relative variance:   1.64
Component 19 percent relative variance:   0.24
Component 20 percent relative variance:   0.82
Component 21 percent relative variance:   0.38
Component 22 percent relative variance:   0.60
Component 23 percent relative variance:   0.89
Component 24 percent relative variance:   1.27
Component 25 percent relative variance:   0.44
Component 26 percent relative variance:   0.54
Component 27 percent relative variance:   0.61
Component 28 percent relative variance:   0.22
Component 29 percent relative variance:   0.45
Component 30 percent relative variance:   0.32
Component 31 percent relative variance:   1.13
Component 32 percent relative variance:   0.09
Component 33 percent relative variance:   0.67
Component 34 percent relative variance:   0.22
Component 35 percent relative variance:   0.21
Component 36 percent relative variance:   0.28
Component 37 percent relative variance:   0.50
Component 38 percent relative variance:   0.16
Component 39 percent relative variance:   0.26
Component 40 percent relative variance:   0.14
Component 41 percent relative variance:   0.18
Component 42 percent relative variance:   0.18
Component 43 percent relative variance:   0.07
Component 44 percent relative variance:   0.02
Component 45 percent relative variance:   0.17
Component 46 percent relative variance:   0.05
Component 47 percent relative variance:   0.02
Component 48 percent relative variance:   0.10
Component 49 percent relative variance:   0.04
Component 50 percent relative variance:   0.02
Component 51 percent relative variance:   0.01
Component 52 percent relative variance:   0.00
Component 53 percent relative variance:   0.01
Component 54 percent relative variance:   0.01
Component 55 percent relative variance:   0.00
Component 56 percent relative variance:   0.00
Component 57 percent relative variance:   0.00

为了得到独立成分的 ERP 对数据的 ERP 的贡献，我们需要选择 Plot > Component ERPs> with component maps。
command line上显示：

Comparing maximum projections for components:  

IC1 maximum mean power of back-projection: 72.2738
IC2 maximum mean power of back-projection: 40.3074
IC3 maximum mean power of back-projection: 118.629
IC4 maximum mean power of back-projection: 20.5741
IC5 maximum mean power of back-projection: 16.7698
IC6 maximum mean power of back-projection: 4.04828
IC7 maximum mean power of back-projection: 5.03374
IC8 maximum mean power of back-projection: 27.3447
IC9 maximum mean power of back-projection: 12.9047
IC10 maximum mean power of back-projection: 2.4831
IC11 maximum mean power of back-projection: 5.01077
IC12 maximum mean power of back-projection: 3.94776
IC13 maximum mean power of back-projection: 5.80443
IC14 maximum mean power of back-projection: 10.3948
IC15 maximum mean power of back-projection: 11.8145
IC16 maximum mean power of back-projection: 1.14692
IC17 maximum mean power of back-projection: 2.63034
IC18 maximum mean power of back-projection: 4.09341
IC19 maximum mean power of back-projection: 2.35853
IC20 maximum mean power of back-projection: 1.54849
IC21 maximum mean power of back-projection: 0.761995
IC22 maximum mean power of back-projection: 1.22335
IC23 maximum mean power of back-projection: 1.50031
IC24 maximum mean power of back-projection: 6.12206
IC25 maximum mean power of back-projection: 0.449215
IC26 maximum mean power of back-projection: 1.05872
IC27 maximum mean power of back-projection: 0.574225
IC28 maximum mean power of back-projection: 0.44772
IC29 maximum mean power of back-projection: 0.545843
IC30 maximum mean power of back-projection: 0.624281
IC31 maximum mean power of back-projection: 1.91398
IC32 maximum mean power of back-projection: 0.356062
IC33 maximum mean power of back-projection: 0.483526
IC34 maximum mean power of back-projection: 0.403002
IC35 maximum mean power of back-projection: 0.166475
IC36 maximum mean power of back-projection: 0.393186
IC37 maximum mean power of back-projection: 0.468765
IC38 maximum mean power of back-projection: 0.336584
IC39 maximum mean power of back-projection: 0.495862
IC40 maximum mean power of back-projection: 0.29598
IC41 maximum mean power of back-projection: 0.115158
IC42 maximum mean power of back-projection: 0.191568
IC43 maximum mean power of back-projection: 0.0438948
IC44 maximum mean power of back-projection: 0.073342
IC45 maximum mean power of back-projection: 0.0760424
IC46 maximum mean power of back-projection: 0.238884
IC47 maximum mean power of back-projection: 0.0109103
IC48 maximum mean power of back-projection: 0.0265037
IC49 maximum mean power of back-projection: 0.016949
IC50 maximum mean power of back-projection: 0.00671989
IC51 maximum mean power of back-projection: 0.00366287
IC52 maximum mean power of back-projection: 22.7095
IC53 maximum mean power of back-projection: 0.00337244
IC54 maximum mean power of back-projection: 0.00276348
IC55 maximum mean power of back-projection: 0.00112066
IC56 maximum mean power of back-projection: 0.000727603
IC57 maximum mean power of back-projection: 0.000860832
in the interval -1000 ms to 1992 ms.
Plotting envelopes of 7 component projections.
Topo maps will show components:   52     5     2     8     4     1     3  
    with max var at times (ms):    8   242   675   692  1617  1750  1783  
                  epoch frames:  122   150   202   204   315   331   335  
    Component sortvar in interval:  72.27 40.31 118.63 20.57 16.77 4.05 5.03 
    Summed component 'ppaf' in interval [-1000 1991.67] ms: 53.83%
    Plot limits (sec, sec, uV, uV) [-1,1.99167,-20.1883,13.5947]

绘制Component ERP-image

剔除坏段

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。
我采用的是绝对阈值法，选择剔除掉超出±100μV的trial。
2020版本的eeglab中默认没有显示reject data,file>preference中可以设置用以前版本的GUI界面，如下图：
脑电数据预处理和后续处理（EEGLAB）_第11张图片
然后选择reject data epochs>reject extreme values
脑电数据预处理和后续处理（EEGLAB）_第12张图片
command line显示：

250/540 trials marked for rejection

也太多了吧…这就要删掉近一半的trial了，那我还是观察时域波形，手动删除不良片段吧。如何确定坏段呢？

叠加平均

保存数据

脑电分类

起初我一直在纠结的是我脑电数据对应的标签要怎么弄，后来我明白了分段之后EEG数据下有个epoch的字段就是事件类型。
eeglab中可以看到数据的event type，截图如下:第一位代表的是变量一的标签，第二位表示变量二的标签，这个取决于脑电采集过程中的打标设置（255好像是个意外）。其余部分后续补上。
脑电数据预处理和后续处理（EEGLAB）_第13张图片

特征提取

分类

  1. 划分训练集和测试集
  2. 调库，选择多种分类器训练以及测试
    参考：
    https://blog.csdn.net/zyb228/article/details/106216744
    https://www.jianshu.com/p/0df08244614a
    https://roses.blog.csdn.net/article/details/106216744

你可能感兴趣的:(EEG)

  • 第五届核磁机器学习班（训练营：2023.6.5~6.17） 茗创科技
    茗创科技专注于脑科学数据处理，涵盖（EEG/ERP,fMRI,结构像,DTI,ASL,FNIRS）等，欢迎留言讨论及转发推荐，也欢迎了解茗创科技的脑电课程，数据处理服务及脑科学工作站销售业务，可添加我们的工程师（微信号MCKJ-zhouyi或17373158786）咨询。★课程简介★基于血氧水平依赖的功能磁共振成像(fMRI)技术,利用其数据构建的功能性脑网络后,发现脑并不是一个单纯对外界刺激进行
  • 第六届磁共振ASL（动脉自旋标记）数据处理班（直播：2023.7.1~7.2） 茗创科技
    茗创科技专注于脑科学数据处理，涵盖（EEG/ERP,fMRI,结构像,DTI,ASL,FNIRS）等，欢迎留言讨论及转发推荐，也欢迎了解茗创科技的脑电课程，数据处理服务及脑科学工作站销售业务，可添加我们的工程师（微信号MCKJ-zhouyi或17373158786）咨询。★课程简介★脑网络（cerebralnetwork）定义为：大脑空间位置不同的皮质区域通过结构或功能联系整合起来形成的网络模式。
  • 第六届磁共振ASL（动脉自旋标记）数据处理班（直播：2023.7.1~7.2） 茗创科技
    茗创科技专注于脑科学数据处理，涵盖（EEG/ERP,fMRI,结构像,DTI,ASL,FNIRS）等，欢迎留言讨论及转发推荐，也欢迎了解茗创科技的脑电课程，数据处理服务及脑科学工作站销售业务，可添加我们的工程师（微信号MCKJ-zhouyi或17373158786）咨询。★课程简介★脑网络（cerebralnetwork）定义为：大脑空间位置不同的皮质区域通过结构或功能联系整合起来形成的网络模式。
  • 第三届磁共振脑影像结构班（训练营：2023.8.4~8.21） 茗创科技
    茗创科技专注于脑科学数据处理，涵盖（EEG/ERP,fMRI,结构像,DTI,ASL,,FNIRS）等，欢迎留言讨论及转发推荐，也欢迎了解茗创科技的脑电课程，数据处理服务及脑科学工作站销售业务，可添加我们的工程师（微信号MCKJ-zhouyi或17373158786）咨询。★课程简介★构成功能、认知和意识基础的神经解剖学结构也是神经科学研究的重点。这包括研究从发展成年到衰老整个生命周期的神经解剖学
  • 第十届脑电机器学习训练营（线上：2023.8.14~9.3） 茗创科技
    茗创科技专注于脑科学数据处理，涵盖（EEG/ERP,fMRI,结构像,DTI,ASL,FNIRS）等，欢迎留言讨论及转发推荐，也欢迎了解茗创科技的脑电课程，数据处理服务及脑科学工作站销售业务，可添加我们的工程师（微信号MCKJ-zhouyi或17373158786）咨询。★课程简介★随着人们对神经系统功能认识的提高和计算机技术的发展，脑机接口（BCI）技术的研究呈明显的上升趋势。BCI是一种不依赖
  • 一对一包教会脑电教学服务 茗创科技
    茗创科技专注于脑科学数据处理，涵盖（EEG/ERP,fMRI,结构像,DTI,ASL,FNIRS）等，欢迎留言讨论及转发推荐，也欢迎了解茗创科技的脑电课程，数据处理服务及脑科学工作站销售业务，可添加我们的工程师（微信号MCKJ-zhouyi或17373158786）咨询。★课程简介★最近有不少人留言“脑电该怎么学习？想强化学习脑电某个内容版块可以吗？...”，也有小伙伴联系我们，咨询脑电相关内容能
  • 第七届任务态磁共振数据处理学习班（训练营：2023.4.21~5.14） 茗创科技
    茗创科技专注于脑科学数据处理，涵盖（EEG/ERP,fMRI,结构像,DTI,ASL,FNIRS）等，欢迎留言讨论及转发推荐，也欢迎了解茗创科技的脑电课程，数据处理服务及脑科学工作站销售业务，可添加我们的工程师（微信号MCKJ-zhouyi或17373158786）咨询★课程简介★任务态脑功能磁共振成像（event-relatedcerebralfunctionalmagneticresonanc
  • 明天开课 | 第十一届脑电数据分析启航班（训练营：2023.4.7~5.6） 茗创科技
    茗创科技专注于脑科学数据处理，涵盖（EEG/ERP,fMRI,结构像,DTI,ASL,FNIRS）等，欢迎留言讨论及转发推荐，也欢迎了解茗创科技的脑电课程，数据处理服务及脑科学工作站销售业务，可添加我们的工程师（微信号MCKJ-zhouyi或17373158786）咨询。★课程简介★“十三五”时期，脑科学与类脑研究被纳入“科技创新2030-重大项目”，将“以脑认知原理为主体，以类脑计算与脑机智能、
  • 一对一包教会磁共振数据处理教学服务 茗创科技
    茗创科技专注于脑科学数据处理，涵盖（EEG/ERP,fMRI,结构像,DTI,ASL,,FNIRS）等，欢迎留言讨论及转发推荐，也欢迎了解茗创科技的脑电课程，数据处理服务及脑科学工作站销售业务，可添加我们的工程师（微信号MCKJ-zhouyi或17373158786）咨询。★课程简介★功能性磁共振成像(fMRI)具有无创性的特点，并兼有较好的时间分辨率和空间分辨率，既可以检测脑局部活动进行精准定位
  • Python-MNE-源定位和逆问题01：源估计（SourceEstimate）数据结构 七月0317 MNE-Python翻译版-中文官方文档pythonnumpy学习笔记信息可视化
    源估计，通常称为STC(SourceTimeCourses)，是信号源定位的一种。源定位方法解决了所谓的逆问题。MNE提供了不同的求解方法：dSPM、sLORETA、LCMV、MxNE等。源定位包括将EEG/MEG传感器数据投射到位于个体受试者大脑解剖结构中的三维“源空间”中。因此，源估计的定义就是：对数据进行转换，使每个传感器位置记录的时间序列映射到“源空间”的每个空间位置的时间序列。STC对象
  • 明天开课 | R语言专题班（直播：2023.6.17~6.21） 茗创科技
    茗创科技专注于脑科学，涵盖（EEG/ERP，fMRI，结构像，DTI，ASL，FNIRS）等，欢迎留言讨论及转发推荐，也欢迎了解茗创科技的脑科学课程，数据处理服务及脑科学工作站销售业务，可添加我们的工程师（微信号MCKJ-zhouyi或17373158786）咨询。★课程简介★R是用于统计分析、绘图的语言和操作环境。R是属于GNU系统的一个自由、免费、源代码开放的软件，它是一个用于统计计算和统计制
  • 第六届磁共振ASL（动脉自旋标记）数据处理班（直播：2023.7.1~7.2） 茗创科技
    茗创科技专注于脑科学数据处理，涵盖（EEG/ERP,fMRI,结构像,DTI,ASL,FNIRS）等，欢迎留言讨论及转发推荐，也欢迎了解茗创科技的脑电课程，数据处理服务及脑科学工作站销售业务，可添加我们的工程师（微信号MCKJ-zhouyi或17373158786）咨询。★课程简介★脑网络（cerebralnetwork）定义为：大脑空间位置不同的皮质区域通过结构或功能联系整合起来形成的网络模式。
  • 第六届多模态脑网络数据处理班（直播：2023.6.24~6.28） 茗创科技
    茗创科技专注于脑科学数据处理，涵盖（EEG/ERP,fMRI,结构像,DTI,ASL,FNIRS）等，欢迎留言讨论及转发推荐，也欢迎了解茗创科技的脑电课程，数据处理服务及脑科学工作站销售业务，可添加我们的工程师（微信号MCKJ-zhouyi或17373158786）咨询。★课程简介★脑网络（cerebralnetwork）定义为：大脑空间位置不同的皮质区域通过结构或功能联系整合起来形成的网络模式。
  • Biological Psychiatry：利用TMS-EEG识别难治性抑郁症间歇性θ脉冲刺激的神经生理标志物 茗创科技
    前言难治性抑郁症(TRD)是指在经过足够疗程的药物治疗或心理治疗后，症状没有得到改善的重度抑郁。大约有30%的重度抑郁症(MDD)属于难治性抑郁症。重复经颅磁刺激(rTMS)可引起大脑皮层兴奋或抑制性的改变，是TRD的有效干预措施。间歇性θ脉冲刺激(iTBS)一般采用连续多个的50Hz频率的短阵脉冲，以5Hz频率重复发放短阵脉冲。iTBS作为FDA批准的rTMS范式，比传统的rTMS具有更明显的神
  • 第五届核磁机器学习班（训练营：2023.6.5~6.17） 茗创科技
    茗创科技专注于脑科学数据处理，涵盖（EEG/ERP,fMRI,结构像,DTI,ASL,FNIRS）等，欢迎留言讨论及转发推荐，也欢迎了解茗创科技的脑电课程，数据处理服务及脑科学工作站销售业务，可添加我们的工程师（微信号MCKJ-zhouyi或17373158786）咨询。★课程简介★基于血氧水平依赖的功能磁共振成像(fMRI)技术,利用其数据构建的功能性脑网络后,发现脑并不是一个单纯对外界刺激进行
  • 脑电图能诊断癫痫吗 74f4a9a90df1
    脑电图能诊断癫痫吗?为什么癫痫发作的时候我们都很迷茫，也不知道他们为什么会有癫痫发作。不过，你不必担心，只要我们懂得及时诊断的方法，生活中就有癫痫的希望。癫痫的诊断标准是：一是反复发作的癫痫症状;二是脑电图中的癫痫波;三是抗癫痫药物有效。脑电图(EEG)是诊断癫痫的重要依据，但脑电图检查并不是唯一的依据，因为个别癫痫患者的EEG可能是正常的。长期脑电图检查阳性率也仅为80%。脑电图能诊断癫痫吗?接
  • 第十二届脑电数据分析进阶班（训练营：2023.6.25~7.8） 茗创科技
    茗创科技专注于脑科学数据处理，涵盖（EEG/ERP,fMRI,结构像,DTI,ASL,FNIRS）等，欢迎留言讨论及转发推荐，也欢迎了解茗创科技的脑电课程，数据处理服务及脑科学工作站销售业务，可添加我们的工程师（微信号MCKJ-zhouyi或17373158786）咨询。★课程简介★“十三五”时期，脑科学与类脑研究被纳入“科技创新2030-重大项目”，将“以脑认知原理为主体，以类脑计算与脑机智能、
  • 第二届睡眠脑电专题班（直播：2023.5.13~5.14） 茗创科技
    茗创科技专注于脑科学数据处理，涵盖（EEG/ERP,fMRI,结构像,DTI,ASL,,FNIRS）等，欢迎留言讨论及转发推荐，也欢迎了解茗创科技的脑电课程，数据处理服务及脑科学工作站销售业务，可添加我们的工程师（微信号MCKJ-zhouyi或17373158786）咨询。★课程简介★睡眠占据了人生命的三分之一，充足良好的睡眠也是健康不可或缺的条件之一。为什么有的人睡眠质量如此高？为什么有的人饱受
  • 第七届核磁数据处理基础班（直播：2023.5.18~5.27） 茗创科技
    茗创科技专注于脑科学数据处理，涵盖（EEG/ERP,fMRI,结构像,DTI,ASL,,FNIRS）等，欢迎留言讨论及转发推荐，也欢迎了解茗创科技的脑电课程，数据处理服务及脑科学工作站销售业务，可添加我们的工程师（微信号MCKJ-zhouyi或17373158786）咨询。★课程简介★功能性磁共振成像(fMRI)具有无创性的特点，并兼有较好的时间分辨率和空间分辨率，既可以检测脑局部活动进行精准定位
  • 文献速递第1期：fNIRS 的近期研究 茗创科技
    大家好，这里是茗创科技。由于对运动伪迹敏感、电磁干扰敏感、成像过程幽闭等原因，现有的脑功能研究技术，如脑电图（EEG），事件相关电位（ERP），功能核磁共振成像（fMRI）不适用于儿童（尤其婴幼儿）等研究对象，亦不适用于自然情境等高生态效度场景的研究和应用。近红外脑功能成像（functionalnear-infraredspectroscopy，fNIRS）被认为是一种能满足以上要求的脑功能成像技
  • 第二届睡眠脑电专题班（直播：2023.5.13~5.14） 茗创科技
    茗创科技专注于脑科学数据处理，涵盖（EEG/ERP,fMRI,结构像,DTI,ASL,,FNIRS）等，欢迎留言讨论及转发推荐，也欢迎了解茗创科技的脑电课程，数据处理服务及脑科学工作站销售业务，可添加我们的工程师（微信号MCKJ-zhouyi或17373158786）咨询。★课程简介★睡眠占据了人生命的三分之一，充足良好的睡眠也是健康不可或缺的条件之一。为什么有的人睡眠质量如此高？为什么有的人饱受
  • 第七届多模态脑网络数据处理班（训练营：2023.10.5~10.21） 茗创科技
    茗创科技专注于脑科学数据处理，涵盖（EEG/ERP,fMRI,结构像,DTI,ASL,FNIRS）等，欢迎留言讨论及转发推荐，也欢迎了解茗创科技的脑电课程，数据处理服务及脑科学工作站销售业务，可添加我们的工程师（微信号MCKJ-zhouyi或17373158786）咨询。★课程简介★脑网络（cerebralnetwork）定义为：大脑空间位置不同的皮质区域通过结构或功能联系整合起来形成的网络模式。
  • 第三届磁共振脑影像结构班（训练营：2023.8.4~8.21） 茗创科技
    茗创科技专注于脑科学数据处理，涵盖（EEG/ERP,fMRI,结构像,DTI,ASL,,FNIRS）等，欢迎留言讨论及转发推荐，也欢迎了解茗创科技的脑电课程，数据处理服务及脑科学工作站销售业务，可添加我们的工程师（微信号MCKJ-zhouyi或17373158786）咨询。★课程简介★构成功能、认知和意识基础的神经解剖学结构也是神经科学研究的重点。这包括研究从发展成年到衰老整个生命周期的神经解剖学
  • 第三届睡眠脑电专题班（直播：2023.7.9~7.10） 茗创科技
    茗创科技专注于脑科学数据处理，涵盖（EEG/ERP,fMRI,结构像,DTI,ASL,,FNIRS）等，欢迎留言讨论及转发推荐，也欢迎了解茗创科技的脑电课程，数据处理服务及脑科学工作站销售业务，可添加我们的工程师（微信号MCKJ-zhouyi或17373158786）咨询。★课程简介★睡眠占据了人生命的三分之一，充足良好的睡眠也是健康不可或缺的条件之一。为什么有的人睡眠质量如此高？为什么有的人饱受
  • 快速上手医学影像组学和机器学习（训练营：2023.9.19~9.26） 茗创科技
    茗创科技专注于脑科学数据处理，涵盖（EEG/ERP,fMRI,结构像,DTI,ASL,FNIRS）等，欢迎留言讨论及转发推荐，也欢迎了解茗创科技的脑电课程，数据处理服务及脑科学工作站销售业务，可添加我们的工程师（微信号MCKJ-zhouyi或17373158786）咨询。★课程简介★随着大数据、人工智能的深入融合发展，一项新的研究方法开始用于临床研究，它就是影像组学。它可以对普通影像图像进行更深层
  • 第十一届任务态磁共振数据处理学习班（训练营：2023.12.1~12.24） 茗创科技
    茗创科技专注于脑科学数据处理，涵盖（EEG/ERP,fMRI,结构像,DTI,ASL,FNIRS）等，欢迎留言讨论及转发推荐，也欢迎了解茗创科技的脑电课程，数据处理服务及脑科学工作站销售业务，可添加我们的工程师（微信号MCKJ-zhouyi或17373158786）咨询★课程简介★任务态脑功能磁共振成像（event-relatedcerebralfunctionalmagneticresonanc
  • 第十三届脑电数据分析入门班（训练营：2023.11.15~11.28） 茗创科技
    茗创科技专注于脑科学数据处理，涵盖（EEG/ERP,fMRI,结构像,DTI,ASL,FNIRS）等，欢迎留言讨论及转发推荐，也欢迎了解茗创科技的脑电课程，数据处理服务及脑科学工作站销售业务，可添加我们的工程师（微信号MCKJ-zhouyi或17373158786）咨询。★课程简介★脑电图具有高时间分辨率、成本低、无创以及便于操作等特点，在认知神经科学领域具有独特的应用优势。熟悉脑电的神经生理学基
  • 第七届多模态脑网络数据处理班（训练营：2023.10.5~10.21） 茗创科技
    茗创科技专注于脑科学数据处理，涵盖（EEG/ERP,fMRI,结构像,DTI,ASL,FNIRS）等，欢迎留言讨论及转发推荐，也欢迎了解茗创科技的脑电课程，数据处理服务及脑科学工作站销售业务，可添加我们的工程师（微信号MCKJ-zhouyi或17373158786）咨询。★课程简介★脑网络（cerebralnetwork）定义为：大脑空间位置不同的皮质区域通过结构或功能联系整合起来形成的网络模式。
  • 脑电微状态方法可靠吗？ 茗创科技
    摘要EEG微状态是在静息态EEG记录中观察到的代表功能性脑网络的状态，在快速切换到另一个网络之前保持稳定40-120ms。人们认为微状态特征(如持续时间、发生率、覆盖率和转换概率)可以作为精神和神经系统疾病以及心理社会特征的神经标志物。然而，需要可靠的重测信度数据以支持这一假设。此外，研究人员目前使用的不同方法，需要比较其一致性和适用性，以产生可靠的结果。本研究基于一个大规模的数据集(2天，每个人
  • 第十三届脑电数据分析启航班（直播：2023.8.18~9.16） 茗创科技
    茗创科技专注于脑科学数据处理，涵盖（EEG/ERP,fMRI,结构像,DTI,ASL,FNIRS）等，欢迎留言讨论及转发推荐，也欢迎了解茗创科技的脑电课程，数据处理服务及脑科学工作站销售业务，可添加我们的工程师（微信号MCKJ-zhouyi或17373158786）咨询。★课程简介★“十三五”时期，脑科学与类脑研究被纳入“科技创新2030-重大项目”，将“以脑认知原理为主体，以类脑计算与脑机智能、
  • java线程的无限循环和退出 3213213333332132 java
    最近想写一个游戏，然后碰到有关线程的问题，网上查了好多资料都没满足。 突然想起了前段时间看的有关线程的视频，于是信手拈来写了一个线程的代码片段。 希望帮助刚学java线程的童鞋 package thread; import java.text.SimpleDateFormat; import java.util.Calendar; import java.util.Date
  • tomcat 容器 BlueSkator tomcatWebservlet
    Tomcat的组成部分 1、server A Server element represents the entire Catalina servlet container. (Singleton) 2、service service包括多个connector以及一个engine，其职责为处理由connector获得的客户请求。   3、connector 一个connector
  • php递归,静态变量,匿名函数使用 dcj3sjt126com PHP递归函数匿名函数静态变量引用传参
      <!doctype html> <html lang="en"> <head> <meta charset="utf-8"> <title>Current To-Do List</title> </head> <body>
  • 属性颜色字体变化 周华华 JavaScript
    function changSize(className){ var diva=byId("fot") diva.className=className; } </script> <style type="text/css"> .max{ background: #900; color:#039;
  • 将properties内容放置到map中 g21121 properties
    代码比较简单： private static Map<Object, Object> map; private static Properties p; static { //读取properties文件 InputStream is = XXX.class.getClassLoader().getResourceAsStream("xxx.properti
  • [简单]拼接字符串 53873039oycg 字符串
             工作中遇到需要从Map里面取值拼接字符串的情况，自己写了个，不是很好，欢迎提出更优雅的写法，代码如下：           import java.util.HashMap; import java.uti
  • Struts2学习 云端月影
    最近开始关注struts2的新特性，从这个版本开始，Struts开始使用convention-plugin代替codebehind-plugin来实现struts的零配置。 配置文件精简了，的确是简便了开发过程，但是，我们熟悉的配置突然disappear了，真是一下很不适应。跟着潮流走吧，看看该怎样来搞定convention-plugin。 使用Convention插件，你需要将其JAR文件放
  • Java新手入门的30个基本概念二 aijuans java新手java 入门
    基本概念:　　1.OOP中唯一关系的是对象的接口是什么,就像计算机的销售商她不管电源内部结构是怎样的,他只关系能否给你提供电就行了,也就是只要知道can or not而不是how and why.所有的程序是由一定的属性和行为对象组成的,不同的对象的访问通过函数调用来完成,对象间所有的交流都是通过方法调用,通过对封装对象数据,很大限度上提高复用率。　　2.OOP中最重要的思想是类,类是模板是蓝图,
  • jedis 简单使用 antlove javarediscachecommandjedis
    jedis.RedisOperationCollection.java package jedis; import org.apache.log4j.Logger; import redis.clients.jedis.Jedis; import java.util.List; import java.util.Map; import java.util.Set; pub
  • PL/SQL的函数和包体的基础 百合不是茶 PL/SQL编程函数包体显示包的具体数据包
    由于明天举要上课,所以刚刚将代码敲了一遍PL/SQL的函数和包体的实现(单例模式过几天好好的总结下再发出来);以便明天能更好的学习PL/SQL的循环,今天太累了,所以早点睡觉,明天继续PL/SQL总有一天我会将你永远的记载在心里,,,   函数; 函数:PL/SQL中的函数相当于java中的方法;函数有返回值 定义函数的 --输入姓名找到该姓名的年薪 create or re
  • Mockito(二)--实例篇 bijian1013 持续集成mockito单元测试
            学习了基本知识后，就可以实战了，Mockito的实际使用还是比较麻烦的。因为在实际使用中，最常遇到的就是需要模拟第三方类库的行为。         比如现在有一个类FTPFileTransfer，实现了向FTP传输文件的功能。这个类中使用了a
  • 精通Oracle10编程SQL(7)编写控制结构 bijian1013 oracle数据库plsql
    /* *编写控制结构 */ --条件分支语句 --简单条件判断 DECLARE v_sal NUMBER(6,2); BEGIN select sal into v_sal from emp where lower(ename)=lower('&name'); if v_sal<2000 then update emp set
  • 【Log4j二】Log4j属性文件配置详解 bit1129 log4j
    如下是一个log4j.properties的配置   log4j.rootCategory=INFO, stdout , R log4j.appender.stdout=org.apache.log4j.ConsoleAppender log4j.appender.stdout.layout=org.apache.log4j.PatternLayout log4j.appe
  • java集合排序笔记 白糖_ java
    public class CollectionDemo implements Serializable,Comparable<CollectionDemo>{ private static final long serialVersionUID = -2958090810811192128L; private int id; private String nam
  • java导致linux负载过高的定位方法 ronin47
    定位java进程ID 可以使用top或ps -ef |grep java ![图片描述][1] 根据进程ID找到最消耗资源的java pid 比如第一步找到的进程ID为5431 执行 top -p 5431 -H ![图片描述][2] 打印java栈信息 $ jstack -l 5431 > 5431.log 在栈信息中定位具体问题 将消耗资源的Java PID转
  • 给定能随机生成整数1到5的函数，写出能随机生成整数1到7的函数 bylijinnan 函数
    import java.util.ArrayList; import java.util.List; import java.util.Random; public class RandNFromRand5 { /** 题目：给定能随机生成整数1到5的函数，写出能随机生成整数1到7的函数。 解法1： f(k) = (x0-1)*5^0+(x1-
  • PL/SQL Developer保存布局 Kai_Ge
          近日由于项目需要，数据库从DB2迁移到ORCAL，因此数据库连接客户端选择了PL/SQL Developer。由于软件运用不熟悉，造成了很多麻烦，最主要的就是进入后，左边列表有很多选项，自己删除了一些选项卡，布局很满意了，下次进入后又恢复了以前的布局，很是苦恼。在众多PL/SQL Developer使用技巧中找到如下这段：   &n
  • [未来战士计划]超能查派[剧透,慎入] comsci 计划
           非常好看,超能查派,这部电影......为我们这些热爱人工智能的工程技术人员提供一些参考意见和思想........        虽然电影里面的人物形象不是非常的可爱....但是非常的贴近现实生活....    &nbs
  • Google Map API V2 dai_lm google map
    以后如果要开发包含google map的程序就更麻烦咯 http://www.cnblogs.com/mengdd/archive/2013/01/01/2841390.html 找到篇不错的文章，大家可以参考一下 http://blog.sina.com.cn/s/blog_c2839d410101jahv.html 1. 创建Android工程 由于v2的key需要G
  • java数据计算层的几种解决方法2 datamachine javasql集算器
    2、SQL     SQL/SP/JDBC在这里属于一类，这是老牌的数据计算层，性能和灵活性是它的优势。但随着新情况的不断出现，单纯用SQL已经难以满足需求，比如： JAVA开发规模的扩大，数据量的剧增，复杂计算问题的涌现。虽然SQL得高分的指标不多，但都是权重最高的。     成熟度：5星。最成熟的。   
  • Linux下Telnet的安装与运行 dcj3sjt126com linuxtelnet
    Linux下Telnet的安装与运行   linux默认是使用SSH服务的 而不安装telnet服务  如果要使用telnet 就必须先安装相应的软件包  即使安装了软件包 默认的设置telnet 服务也是不运行的 需要手工进行设置 如果是redhat9，则在第三张光盘中找到 telnet-server-0.17-25.i386.rpm
  • PHP中钩子函数的实现与认识 dcj3sjt126com PHP
    假如有这么一段程序： function fun(){ fun1(); fun2(); }   首先程序执行完fun1()之后执行fun2()然后fun()结束。   但是，假如我们想对函数做一些变化。比如说，fun是一个解析函数，我们希望后期可以提供丰富的解析函数，而究竟用哪个函数解析，我们希望在配置文件中配置。这个时候就可以发挥钩子的力量了。   我们可以在fu
  • EOS中的WorkSpace密码修改 蕃薯耀 修改WorkSpace密码
    EOS中BPS的WorkSpace密码修改 >>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>> 蕃薯耀 201
  • SpringMVC4零配置--SpringSecurity相关配置【SpringSecurityConfig】 hanqunfeng SpringSecurity
     SpringSecurity的配置相对来说有些复杂，如果是完整的bean配置，则需要配置大量的bean，所以xml配置时使用了命名空间来简化配置，同样，spring为我们提供了一个抽象类WebSecurityConfigurerAdapter和一个注解@EnableWebMvcSecurity，达到同样减少bean配置的目的，如下：   applicationContex
  • ie 9 kendo ui中ajax跨域的问题 jackyrong AJAX跨域
    这两天遇到个问题，kendo ui的datagrid，根据json去读取数据，然后前端通过kendo ui的datagrid去渲染，但很奇怪的是，在ie 10,ie 11,chrome,firefox等浏览器中，同样的程序， 浏览起来是没问题的，但把应用放到公网上的一台服务器， 却发现如下情况： 1） ie 9下，不能出现任何数据，但用IE 9浏览器浏览本机的应用，却没任何问题
  • 不要让别人笑你不能成为程序员 lampcy 编程程序员
    在经历六个月的编程集训之后，我刚刚完成了我的第一次一对一的编码评估。但是事情并没有如我所想的那般顺利。 说实话，我感觉我的脑细胞像被轰炸过一样。 手慢慢地离开键盘，心里很压抑。不禁默默祈祷：一切都会进展顺利的，对吧？至少有些地方我的回答应该是没有遗漏的，是不是？ 难道我选择编程真的是一个巨大的错误吗——我真的永远也成不了程序员吗？ 我需要一点点安慰。在自我怀疑，不安全感和脆弱等等像龙卷风一
  • 马皇后的贤德 nannan408
       马皇后不怕朱元璋的坏脾气，并敢理直气壮地吹耳边风。众所周知，朱元璋不喜欢女人干政，他认为“后妃虽母仪天下，然不可使干政事”，因为“宠之太过，则骄恣犯分，上下失序”，因此还特地命人纂述《女诫》，以示警诫。但马皇后是个例外。 　　有一次，马皇后问朱元璋道：“如今天下老百姓安居乐业了吗？”朱元璋不高兴地回答：“这不是你应该问的。”马皇后振振有词地回敬道：“陛下是天下之父，
  • 选择某个属性值最大的那条记录（不仅仅包含指定属性，而是想要什么属性都可以） Rainbow702 sqlgroup by最大值max最大的那条记录
    好久好久不写SQL了，技能退化严重啊！！！   直入主题： 比如我有一张表，file_info， 它有两个属性（但实际不只，我这里只是作说明用）： file_code, file_version 同一个code可能对应多个version 现在，我想针对每一个code，取得它相关的记录中，version 值 最大的那条记录， SQL如下： select *
  • VBScript脚本语言 tntxia VBScript
      VBScript 是基于VB的脚本语言。主要用于Asp和Excel的编程。   VB家族语言简介   Visual Basic 6.0           源于BASIC语言。           由微软公司开发的包含协助开发环境的事
  • java中枚举类型的使用 xiao1zhao2 javaenum枚举1.5新特性
    枚举类型是j2se在1.5引入的新的类型,通过关键字enum来定义,常用来存储一些常量.   1.定义一个简单的枚举类型 public enum Sex { MAN, WOMAN }   枚举类型本质是类,编译此段代码会生成.class文件.通过Sex.MAN来访问Sex中的成员,其返回值是Sex类型.   2.常用方法 静态的values()方
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他