ERP-07源分析和成分分析(包含ICA分析的步骤).ppt

单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,Click to edit Master text styles,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,Click to edit Master text styles,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,Click to edit Master text styles,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,Click to edit Master text styles,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级Click to edit Master text styles,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,Click to edit Master text styles,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,Click to edit Master text styles,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,Click to edit Master text styles,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,Click to edit Master text styles,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,Click to edit Master text styles,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,Click to edit Master text styles,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,Click to edit Master text styles,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,溯源分析,Patch of aligned pyramidal cells in gray matter layer,偶极子是一对数值相等、方向相反的电荷。脑内众多神经元兴奋引起的电活动可以总和在一起用一对电荷表示，称为等价偶极子（,equivalent dipole,）。,1,Inverse Calculation,Head Model,Sensors Model,Source Model,Data,(measured),2,影响定位准确性的因素,信号传导问题,头颅不规则性,发放源深浅,操作因素：分析时间的选择、头模型和偶极子模型的选择,3,溯源分析软件,Curry,Besa,Geosource,ICA,4,溯源分析需要的,4,个文件,功能数据：,.avg,解剖数据：,.img,电极位置：,.3dd,解剖标志位置：,.pom,5,创建,BEM,头颅模型,6,At the beginning:Import data into NEUROSCAN,7,8,9,我们先读入了最原始的文件：,1_t,(nback,是我们这个实验的名称,),10,Works in the EEGLab:EEGLab:Import,只有,EEGLAB,系统，可以很好的的进行,ICA,分析，,从而很好的达到我们的目的：,去掉眼动对脑电造成的影响,眼电校正,所以我们在,EEGLAB,系统中做接下来的分析。,11,12,13,所导入的数据的一些基本信息。,这里我们得到了：,1_nback.set,14,定义电极位置。,由于,NS,电极位置使用标准名称，所以按照默认设置导入即可。,15,1.Remove bad channelsRemove HEOG&VEOG,前面提到过，进入,ICA,分析的数据，需要：,1,，干净、无误的数据；,2,，具有统一的参考点的数据。,所以，这里我们首先要去掉坏电极。,坏电极首先是在数据记录过程中发现的异常电极，,然后是,ICA,分析后发现的异常电极。,由于,NeuroScan,中，,HEOG,与,VEOG,均是双极参考，所以也要去掉。,（,EGI,系统中不存在这个问题）,NS,系统里似乎只能标注去掉什么样的电极而不能完全删掉它，,而对坏电极的标记在进入,EEGLAB,时又消失了，,所以还是推荐在,EEGLAB,中进行这一步。,16,这里我们得到了：,2_without P8 T7 H V.set,17,2.Run ICA,独立成分分析,(Independent Component Analysis,，,ICA),是近期发展起来的一个新的数据及信号分析方法，,是一种,将源信号从混合信号分离出来的,信号处理技术,。,这里我们假设，,每个电极位置的头皮都是一个脑电的源成分，,并通过分析每个电极记录到的电压，,用,ICA,方法计算每一个源成分的活动情况。,我们通过计算电极,Channel,所记录下的电压变化的情况，,得到电极活动的源成分,Components,的活动情况。,18,这里我们得到了：,3_ICA.set,19,3.Remove Components,which are related to eye movements,通过,ICA,分析，我们可以获得眨眼、水平眼动的活动的源成分，,以及这个源成分的活动模式。,那么，当我们去掉这两个源成分的活动时，,剩下的数据就是没有眼动影响的、干净的脑电活动了。,好的条件下，我们可以排除掉所有的伪迹、包括眼电，最终取得干净的数据。,但是如果被试有过量的眼动，而排除掉有眼动的数据会使可用的数据量过少时，我们就需要做眼电校正。,一些实验情况下，有眼动的数据必须进行排除而不是校正。,这就需要根据实验刺激的属性、实验目的等来判断，能否接受校正过的数据。,20,那么哪些成分是与眼动有关的呢？,21,好的,ICA,分析,2D,图：,首先脑外没有分布；其次有集中的峰值。,22,不好的,ICA,分析,2D,图举例,23,怎样确定：,某成分是眨眼的源成分，,某成分是水平眼动的源成分，,而别的成分都不是呢？,这里我们通过,对比成分波形图与位置波形图来确定。,24,源成分,1,的活动变化与垂直眼动的电压变化相吻合,25,源成分,8,的活动变化与水平眼动的电压变化相吻合,26,去掉对应的源成分后，,它自动会计算新的,EEG,波形。,得到：,4_ICA without 1 8.set,27,去掉眼电成分,前,的,EEG,波形,28,去掉眼电成分,后,的,EEG波形,29,4.Epoch,1,2,3,4,5,30,5.Remove incorrect trials,31,6.,Create,study,32,7.Precompute ERP,33,8.Export ERPs from eeglab,34,Methods,Stimuli,Background:,919 line segments,714,Upper visual field,Target:,2.55jitterred from the fixation,Mask:,Fixation:superimposed“T”and“L”,75Hz,1024 768 pixels,114cm,35Methods,Trial sequence,36,Methods,Experimental procedure,SOA=600 ms,320 trials/session,SOA=466-40 ms,1120 trials/session,15 subjects,Behavioral session:,SOA was decreasing from 466ms to 40ms:one block each at 466,360,266,226 and three blocks each at 186,160,146,120,106,80,66,40 ms.,Each session:28 blocks40 trials,37,Methods,EEG recording session,128-channel HydroCel Geodesic Sensor Net(EGI),Resistance below 50K,Physically referenced to Cz and then off-line re-referenced to the average of the left and right mastoid channels.,Bandpass filter:0.1 to 200Hz,Sampling frequency:500 Hz,Segment:200ms before stimulus onset and 600ms after,Baseline:200ms pre-stimulus and lasted for 200ms.,38,Time window,Electrodes,ANOVA,C1,68-84ms,Pz(62),POz(72),Oz(75),Peak amplitude,P1,104-124ms,P1(60),Pz(62),P2(85),Mean amplitude,The anterior P160-350,160-350ms,AF3(23),F3(24),AFz(16),Fz(11),AF4(3),F4(124),Mean amplitude,The posterior P160-350,160-350ms,O1,(,70,),74,O2,(,83,),82,Mean amplitude,Methods,Channel groups used for analysis,Factors used in repeated-measurement ANOVA:,Session,Visual field,Hemisphere,Area,39,Results:behavioral,Long-term perceptual learning had taken place,Letter discrimination:80%correct response,Session:F(5,70)=20.973,p0.001,Error bar:mean standard error,*,*,40,The improvement ratio of the averaged threshold SOA,74.6%transfer to session6,58.8%maintenance to session6,1-T,x,/T,1,41,Results:ERP,C1,session:F(5,70)=0.788,p=0.562,visual field:F(1,14)=1.484,p=0.243,42,C1 topographic map(68-84ms),C1 peak amplitude,C1:no significant change,43,Source location by BESA,C1(68-84ms,session1,the trained visual field),Two dipoles:x=,15.6,y=-77.7,z=6.8(R.V.5.6%),Location:Brodmanns Area 17,V1,44,P1:small learning-related changes,session:F(5,70)=2.021,p=0.086,session1 vs.session2:p0.006,session1 vs.session5:p0.034,test II vs.6th session:p0.037,45,Anterior P160-350:the upper left visual field,N=15,160ms,350ms,ms,uv,Negative shift,46,The time course of anterior P160-350 change was very similar to the pattern of behavioral training performance,session:F(5,70)=19.882,p0.001,visual fieldF(1,14)=1.560,p=0.232,*,*,*,*,47,Topographic map(160-350ms),48,The posterior P160-350,session:F(5,70)=2.851,p0.022,visual field:F(1,14)=0.368,p=0.554,test II vs.6th session:p=0.601,positive shift,49,Source location by BESA,Prefrontal,P160-350(160-350ms,session6-session1,the trained visual field),Two pairs of dipoles:Brodmanns Area 46(x=,45,y=25,z=21),Brodmanns Area 19(x=,31.5,y=-42.4,z=0.1)(R.V.4.8%),V3,50,