EEG workshop

#source localization در مکان یابی منابع با پلاگین dipfit نرم افزار eeglab نتیجه پیدا کردن منابع بصورت شکل زیر ارائه میشود

برای تمرین تشخیص مولفه های مغزی از غیر مغزی از سایت زیر میشود استفاده کرد ICA LABEL https://labeling.ucsd.edu/tutorial/practice

در روشهای استخراج باند الفا در سیگنال های مغزی این نکته در فیلتر کردن مهم است در فیلترهای FIR حدودا به درجه فیلتر شیفت در نمونه های زمانی داریم مثلا فیلتر درجه 100 حدود 100 نمونه شیفت دارد(اگر فرکانس نمونه برداری 200 هرتز باشد 100 نمونه حدود نیم ثانیه میشود) این روش برای پردازشهای offline مناسب است و برای کارهای online قابل استفاده نیست

در تصویر بالا می بینیم فیلتر معمولی شیفت زمانی داده ولی filtfilt محل زمانی پیک را حدودا تغییر نداده

سیگنال ECG ساختگی 👆👆👆

در فیلتر کردن سیگنالها بسته به درجه فیلترها از نظر زمانی پیکها جابجا میشوند و مثلا پیک در ثانیه 2 به 2.2 ثانیه منتقل میشود اگر از نظر زمانی، زمان رویدادن یک اتفاق مهم است در فیلتر کردن باید مواظب باشید تا شیفت پیدا نکند برای اینکار میتوان از دستور filtfilt متلب استفاده کرد که یکبار سیگنال را درجهت مستقیم زمانی (time forward)و یکبار معکوس زمانی(time reverse) فیلتر میکند و شیفتها جبران میشود

در فیلتر کردن سیگنالها، خطی بودن فاز اهمیت زیادی دارد و از شیفت و جابجایی مولفه های فرکانسی در زمان(محل رویداد مولفه ها)، بعد از عبور سیگنال از فیلتر جلوگیری میکند. فیلتر های دیجیتال یا تمام صفرندFIR یا قطب دارندIIR که فیلتر های FIR با طراحی خاصی می توانند فاز خطی داشته باشند و بنابراین کاربرد زیادی در فیلتر کردن سیگنالها مخصوصاً سیگنالهای حیاتی دارند. یکی از دستورات طراحی فیلتر های پاسخ ضربه محدودFIR در متلب دستور firgr میباشد که با مشخص کردن پاسخ فرکانسی برای ان و با توجه به درجه فیلتر(تعداد تاخیر) ضرایب فیلتر را مشخص میکند. توضیحات بیشتر در جزوه mi2 اورده شده است 👇👇👇

برای استخراج توان در باندهای فرکانسی مورد نظر در متلب میتوان از دستور bandpower استفاده کرد(از help نرم افزار کمک بگیرید) برای مثال x سیگنال eeg مورد نظر است و با فرکانس 250 هرتز نمونه برداری شده است و ما میخواهیم قدرت طیف الفا 8-13 هرتز را بدست اوریم مینویسیم P=bandpower(x,250,[8 13])

در قسمت visualization و در منوی time-frequency grid قسمت thresholding مشابه بالا انتخاب شود که کانکتیویتی های کاذب حذف و بقیه نشان داده خواهد شد

درگزینه اول مشابه بالا روش فاز تصادفی انتخاب شود

در منوی statistics به ترتیب گزینه اول و دوم انتخاب شوند

شکل بالا با تولید داده جایگزین surrogate با روش random phase ارتباطات کاذب حذف شده است

تصویر بالا محاسبه GPDC برای داده های 8 مولفه مغزی در بازه فرکانسی 1-40هرتز محاسبه و نشان داده شده است