Letswave 教程：脑电数据预处理与叠加平均

Hello，

这里是行上行下，我是喵君姐姐~

之前写过eeglab数据处理，得到了大家的一致好评。拖了很久的时频更新，马上就要和大家见面了。

考虑到有的小伙伴没有编辑基础，所以我们先介绍一个界面的软件——letswave7。它和eeglab类似，只是它全部的处理都是界面化的，对于小白来说，十分友好。

今天就以oddball实验为例，简单介绍一下使用letswave7进行脑电数据预处理与叠加平均。然后第二期，再讲时频处理的原理和具体操作哟~

1 实验与工具介绍

实验介绍： 采用视觉Odd-ball实验。在屏幕上，黑色为偏差刺激（标记为“ S 9”），白色为标准刺激（标记为“ S 10”）。每个矩形块持续80毫秒，ISI持续200毫秒。两分钟内总共安排了600次刺激试验，其中偏差刺激的可能性为5％。要求参与者计算黑色矩形块的数量，并在试次结束后报告，以使参与者在屏幕上保持注意力。

工具介绍： Letswave7是在Windows，Mac OSX和Linux或Unix平台下基于Matlab进行EEG信号处理的工具箱。在使用Letswave7之前，应下载并安装 Matlab 。

(详情请点击：Matlab软件包及安装）

在本教程中，将使用Letswave7对P300实验进行研究，以展示对单个主题和多个主题的数据分析过程，并且还将介绍在Letswave7中进行功能图形生成和脚本编写的过程。

2 前期准备

2.1 letswave7安装与数据集准备

首先，打开matlab，点击“设置路径”。

其次，点击“添加并包含子文件夹”，将“letswave7”工具包导入进来，并保存所有文件。

关于本实验的数据集可在微信公众号行上行下后台回复“letswave”获取。

最后，解压本地“rawdata1.zip”文件，其中包括三个文件：sub093.eeg，sub093.vhdr和sub093.vmrk。

2.2 数据集导入

首先，在Matlab的命令窗口中输入“ letswave7 ”以打开Letswave7。将letwave7的路径设置为数据集的文件夹，例如此处的“F:\letswave7\rawdata1”。

其次，在管理器模块的菜单中选择 “File”->“Import”->“Import EEG / MEG datafiles”，弹出导入数据对话框，添加文件 “sub093.eeg”。


最后， 点击绿色按钮以导入数据集。导入完成后，相应的数据集变为红色并显示“sub093(Done)”。关闭导入数据对话框，数据集“ sub093 ”将出现在管理器模块中。

2.3 数据集检查

首先，选择数据集 “sub093”，然后在菜单中单击 “View”->“continues Date Viewer” 以检查导入的数据集的数据质量。


在数据查看器中，可以看到通道P1明显异常。因此，在接下来的步骤中，我们将通道P1视为坏电极，需要对其进行插值。

3 数据预处理

由于原始脑电信号存在极大的噪声，它们在EEG信号中始终混合在一起。因此预处理对于提高信噪比，从而获得“清晰” EEG数据非常必要。

通常，预处理中常用的降噪方法如下：

3.1 通道位置赋值

首先，在管理器模块的数据列表中选择数据集 “ sub093 ”，然后在菜单中单击 “Edit”->“Electrodes”->“Edit electrode coordinates”。

在处理模块中，显示默认分配的位置文件是“ Standard-10-20-Cap81.locs”。

然后，点击 “ Select custom files with channel locations” 以选择频道位置的自定义文件。在Letswave7中的 “Electrodes” 文件夹中，有多个通道位置文件用于不同的EEG记录系统。


PS: 如果不希望使用所有这些文件，还可以分配自己的频道位置文件。

最后，点击 “Run”，名称为 “ chanlocs sub093 ” 的新数据集将出现在管理器模块的数据列表中。

3.2 删除无用的通道

有时，为了进行有效的分析并节省存储空间，我们需要删除无用的通道。在这里，IO记录了眼电信号（EOG）。而我们并不需要对EOG进行分析，因此需要删除通道IO。

首先，在管理器模块的数据列表中选择数据集 “ sub093 ”，然后单击 “ Edit”->“Arrange signals”->“Rearrange or delete epochs,channels,indexes”。

然后，在处理模块中，点击**”Add All”**将所有通道添加到右侧列表框。

然后，选择通道 “IO”，点击 “ Remove” 进行移除。

最后，点击 “Run ” 按钮，名称为 “ sel_chan sub093 ” 的新数据集将出现在管理器模块的数据列表中。

3.3 滤波

滤波可以滤除高频伪迹，低频漂移和50 / 60Hz电源线干扰。在letswave7中，采用Butterworth滤波器进行频率滤波。

对于P300数据集，由于300ms左右的正波是慢波，因此我们将带通滤波器设为0.05-30Hz。对于50Hz电源线干扰，将不使用陷波滤波器，因为它已经超出了带通滤波器的范围。

PS： 这个数值只是一个参考数值，具体情况具体分析，最好自己领域的相关文献哟~

首先，在管理器模块的数据列表中选择数据集 “ sel_chan sub093 ”，点击击 ”process”- >”Frequency analysis and filters”->”Butterworth filters”。

其次，在处理模块中，将低截止频率（Hz）设置为0.05Hz，然后单击 ”Run” 按钮以进行带通滤波。

名称为 “ butt sel_chan sub093 ” 的新数据集将出现在管理器模块的数据列表中。

3.4 坏电极插值替换

当我们检查导入的原始数据时，发现通道P1是坏的。在此步骤中，我们将通道P1进行插值。

首先， 在管理器模块的数据列表中选择数据集 “ butt sel_chan sub093 ” ，然后在菜单中单击 “ Edit”->“Electrodes”->“Interpolate channel using neighbouring electrodes ” 。

其次， 在处理模块中，在 “ Channel to Interpolate:Channels for” 列表框中选择通道P1，然后单击 “ Find closest electrodes ” 按钮。

由于默认设置中用于插值的通道数为 3，因此Letswave7将根据通道的位置自动找到最接近的电极 “ P3 ”， “ Pz ” 和 “ CP1 ” 进行插值。

PS： 也可以采用4个电极点，根据自己的实验进行设置哈。

最后，点击 ”Run”。名称为 “ chan_interp butt sel_chan sub093 ” 的新数据集将出现在管理器模块的数据列表中。

3.5 ICA分解以删除成分

ICA是一种基于矩阵算法的盲源信号分离方法。假设X代表基于 “通道X时间” 的EEG信号，S代表基于 “成分X时间” 的信号源，A代表基于 “通道X成分” 的混合矩阵。ICA的目的是计算出A矩阵以分离出每个成分。根据这个模型，我们使用ICA在EEG信号中进行人工移除。

3.5.1 计算ICA矩阵

首先，在管理器模块的数据列表中选择数据集 “ chan_interp butt sel_chan sub093 ”，然后在菜单中单击 “ Process”->“Spatial filters（ICA / PCA）->Compute ICA matrix ”。

其次，在处理模块中，成分数量选择 “decide by user”，并将 “Components Number” 设置为 “40”。

PS： 数值也是可以自己进行设置的，一般要小于通道数目，但是数值也不要太小。若是64通道，常用30-64之间。

最后，单击 “Run ” 。名称为 “ ica chan_interp butt sel_chan sub093 ” 的新数据集将出现在管理器模块的数据列表中。

3.5.2 人工识别成分

在获得ICA矩阵，混合矩阵A和分离矩阵pinv（A）之后，我们需要人工识别成分。

首先，在管理器模块的数据列表中选择数据集“ ica chan_interp butt sel_chan sub093 ”，然后在菜单中单击 “ Process”->“Spatial filters（ICA / PCA）”->“Apply ICA / PCA Spatial filters ”。我们将看到手动删除空间过滤器成分的界面。

其次，在此界面中，黑色代表原始信号X，蓝色代表源信号S,橙色曲线代表滤波后的信号X_bar。我们将成分1识别为眨眼伪迹。成分2识别为水平眼球运动伪迹。在右侧面板中选择橙色comp 1，comp 2。单击 “OK” 对其进行移除。

最后，名称为“ sp_filter ica chan _interp butt sel_chan sub093 ” 的新数据集将出现在管理器模块的数据列表中。

3.6分段

在处理数据时需要对获取的EEG信号进行分段，以分析不同时期的数据。

首先，在管理器模块的数据列表中选择数据集 “ sp_filter ica chan_interp butt sel_chan sub093 ” ，然后在菜单中单击 “Process”- >“Epoch Segmentation”->“Segment relative to events（one file per code）” 。

其次， 在处理模块中，选择事件代码 “S9” 和 “S10”，并将Epoch开始时间和持续时间设置为 “-1” 和 “3” 。

PS： 时间段的选择也可以自己选择而定，因为后期我们会做时频分析，所以选取的时间比较长。若是只做ERP分析，也可以使用 -0.2 到 1。

最后， 单击处理模块底部的 “Run ” 按钮，然后两个新数据集名称为 “ ep_S 9 sp_filter ica chan_interp butt sel_chan sub093 ” 和 “ ep_S 10 sp_filter ica chan_interp butt sel_chan sub093 ”模块。

3.7 伪迹去除

在消除伪迹之前，有必要对所有时期进行观察。

首先，选择数据集 “ ep_S9 sp_filter ica chan_interp butt sel_chan sub093 ” 和 “ ep_S10 sp_filter ica chan_interp butt sel_chan sub093 ” ，然后在右键菜单中选择 “View” 。

其次， 在波形画面查看器中，选择所有Epoch，将Epoch设置为叠加波。我们在这里对 Pz进行观察，因为它是P300分析中最有效的电极点。将y轴设置为从 -100 到100。在通道Pz上，对于这两个数据集，所有Epoch均未观察到明显的伪迹。

虽然这里没有观察到伪迹，但其它实验数据可能会存在伪迹。剔除伪迹有两种方法：

3.7.1 手动剔除带有伪迹的Epoch。

首先，选择数据集 “ ep_S 9 sp_filter ica chan_interp butt sel_chan sub093 ” 和 “ ep_S 10 sp_filter ica chan_interp butt sel_chan sub093 ”，然后单击 “ Edit” ->“Arrange signals”->“Rearrange or delete epochs，channels，indexes”。

其次，在处理模块中，将选择项设置为 “ Epoch ”，然后将要保留的Epoch放在右栏中。单击 “Run ” 以完成成分剔除。

最后，两个名为 “ sel_epoch ep_S 9 sp_filter ica chan_interp butt sel_chan sub093 ” 和 “sel_epoch ep_S 10 sp_filter ica chan_interp butt sel_chan sub093 ” 将出现在管理器模块的数据列表中。

3.7.2 第二种方法是参照标准来剔除伪迹。

首先，选择数据集“ ep_S9 sp_filter ica chan_interp butt sel_chan sub093 ”和“ ep_S10 sp_filter ica chan_interp butt sel_chan sub093 ”，然后在菜单中单击 “Process”- > “ Artefact rejection and suppression”->“Reject epoch （amplitude criterion）”。

其次，在处理模块中，选中 “Select channels”，然后选择通道Pz。在右侧选中 “X-axis limits”，并将相应的间隔设置为0至2s。单击处理模块底部的“Run ”按钮以完成成分剔除。

最后，名称为“ ar-amp ep_S 9 sp_filter ica chan_interp butt sel_chan sub093 ”和“ ar-amp ep_S 10 sp_filter ica chan_interp butt sel_chan sub093 ”的两个新数据集将出现在管理器模块的数据列表中。

3.8 重参考

在P300的研究中，通常选择双侧乳突区域的平均值作为参考。因此，我们将重新参考TP9和TP10的平均值。

PS：不同的型号有不同的说法，也有的叫A1和A2。此外，也可以采用其他参考方法，例如，零参考，全脑平均等。（详情可点击：EEG信号处理与分析常用工具包介绍）

首先，选择数据集“ ep_S9 sp_filter ica chan_interp butt sel_chan sub093 ”和“ ep_S10 sp_filter ica chan_interp butt sel_chan sub093 ”，然后在菜单中单击 “Process”- >“Rereference signals”->“Rereference ”。

其次，处理模块中，在左侧列表框里选择TP9和TP10作为新参考，并在右侧列表框中选择“Apply reference for”。点击 “Run” 按钮在处理模块的底部完成成分剔除。

最后，名称为“ reref ep_S 9 sp_filter ica chan_interp butt sel_chan sub093 ”和“ reref ep_S 10 sp_filter ica chan_interp butt sel_chan sub093 ”的两个新数据集将出现在管理器模块的数据列表中。

3.9 基线校正

在分段中，我们将Epoch的开始时间和持续时间设置为 -1 和 3，这意味着Epoch将从 -1s 持续到 2s 。因此，我们将基线设置为从 -1s 到 0s，以进行基线校正。

首先，选择数据集“ reref ep_S 9 sp_filter ica chan_interp butt sel_chan sub093 ”和“ reref ep_S 10 sp_filter ica chan_interp butt sel_chan sub093 ”，然后在菜单中单击 “Process”- >“Baseline”->“Baseline correction”。

其次，将默认设置保留在处理模块中，然后单击处理模块底部的 “Run” 以完成成分剔除。

最后，名称为“ bl reref ep_S 9 sp_filter ica chan_interp butt sel_chan sub093 ”和“ bl reref ep_S 10 sp_filter ica chan_interp butt sel_chan sub093 ”的两个新数据集将出现在管理器模块的数据列表中。

3.10 平均

在预处理的十个步骤之后，我们可以简单地对各个时期进行平均以进行ERP的分析。

首先，选择数据集“ bl reref ep_S 9 sp_filter ica chan_interp butt sel_chan sub093 ”和“ bl reref ep_S 10 sp_filter ica chan_interp butt sel_chan sub093 ”，然后在菜单中单击 “Process”- > “ Arrange ”- >“Compute arrange，std，median across epoch”。

其次，将默认设置保留在处理模块中，然后单击处理模块底部的 “Run” 按钮进行平均。

最后，名称为“ avg bl reref ep_S 9 sp_filter ica chan_interp butt sel_chan sub093 ”和“ avg bl reref ep_S 10 sp_filter ica chan_interp butt sel_chan sub093 ”的两个新数据集将出现在管理器模块的数据列表中。

3.11 查看结果

首先，选择数据集“ avg bl reref ep_S 9 sp_filter ica chan_interp butt sel_chan sub093 ”和“ avg bl reref ep_S 10 sp_filter ica chan_interp butt sel_chan sub093 ”。单击右键菜单中的“View”，我们可以在多视图器中查看波形的结果。

然后，选择两个数据集并选择通道 Pz，我们可以在Pz上看到P300的结果。在工具栏中选中“cursor”并将设置为0.35，我们可以观察到P300的波形。由于这是单个主题的结果，因此ERP仍然很嘈杂。

总结：在这一部分中，我们逐步演示了预处理和ERP的分析。对于每个步骤，文件名中都会添加一个前缀，例如butt，ica和reref。

因此，根据数据集的名称，我们对处理步骤有了大致的了解，有关画图以及处理脚本等更高级的教程将在后面进行介绍，敬请期待哟~

本文首发于微信公众号行上行下，公众号后台回复“letswave”获取。