EEG任务分析：视觉注意力与功能连接的机器学习分类

资源摘要信息:"matlab代码影响-EEG_Connectivity_BrainHack_2019:视觉注意力/与任务相关的功能连接/格兰杰因果关系" ### 知识点一：脑电图(EEG)数据处理和分析 EEG数据通常通过头皮上的电极收集大脑电活动的信息。在本项目中，使用了Biosemi设备以512Hz的采样率记录了64个电极的脑电数据。这类数据的分析对于理解大脑在不同任务状态下的活动模式至关重要。 ### 知识点二：视觉空间注意力任务 在EEG数据采集过程中，受试者被要求进行视觉空间注意任务，这是认知神经科学中常用的实验范式，旨在研究个体如何处理和响应特定空间位置的视觉刺激。每个受试者进行了约250次试验，这些试验根据不同的主要状况进行分类，目的是为了捕捉大脑在执行特定任务时的功能连接变化。 ### 知识点三：机器学习与功能连接分类 项目的目标之一是利用机器学习工具，如MNE库，对EEG数据中的任务相关单项试验和功能连接进行分类。MNE是一个广泛使用的Python库，专门用于EEG和MEG（脑磁图）数据分析。机器学习方法可以从复杂的EEG数据中提取特征，并使用这些特征来区分不同条件下的脑电活动。 ### 知识点四：预处理步骤 原始EEG数据需要经过一系列的预处理步骤以减少噪声和伪迹，为后续的分析工作做好准备。预处理包括： 1. 使用EEGLAB等工具对连续信号进行滤波和去伪迹处理。 2. 对于ERP（事件相关电位）分析，需要在连续信号上闪烁并进行分段处理。 3. 对于wPLI（加权相位滞后指数）分析，涉及选择特定电极、进行频率过滤、Hilbert变换等步骤。 ### 知识点五：格兰杰因果关系分析 格兰杰因果关系（Granger Causality）是一种统计假设检验方法，用于分析一个时间序列数据是否可以预测另一个时间序列数据的变化。在本项目中，此方法被用于分析EEG数据中不同脑区之间的信息流动模式，尤其是在视觉注意力任务中，研究大脑各区域如何相互影响和协调工作。 ### 知识点六：ICA（独立成分分析） ICA是一种常用的数据降维技术，可以将多个信号源分解成统计上相互独立的成分。在EEG分析中，ICA被用来分离出脑电活动中的多个独立源，这些源可能代表了不同的神经生理过程。项目中使用了ICA来进一步提取特征权重，并构建连接组。 ### 知识点七：数据维度与Python流程的兼容性 由于项目使用了多种工具和编程语言，因此需要确保数据维度和格式能够符合Python流程的要求。通常Python环境下有专门的包和方法来处理EEG数据，比如MNE-Python，这需要数据预处理时就考虑到数据格式转换和适配问题。 ### 知识点八：开源系统 本项目属于开源系统，意味着所有的代码、数据以及分析过程都是公开的，可供其他研究者和开发者访问、使用和修改。开源项目促进科学透明度，并鼓励社区协作，共同改进和扩展项目成果。 ### 知识点九：单一试验和连接组的分类 在本项目中，单个试验的数据被用于评估和分类，这些数据代表了特定条件下大脑的电活动。连接组的分类则是基于多个试验的综合分析，旨在揭示大脑区域间在功能上的连接特性，以及它们如何因应不同的任务状态而发生变化。 ### 知识点十：ERP与wPLI的对比分析 项目中不仅使用ERP方法来分析事件相关的电位变化，还利用wPLI来评估EEG信号之间的相位同步性，这两种方法提供了对大脑功能不同的理解角度。通过对比分析，研究者可以更全面地了解视觉注意任务期间的大脑活动特性。