1. 脑电的特征与分析
   EEG包括EEG（静息态）和ERP（任务态，事件相关）
   EEG：频域分析、时频分析、功能连接、微状态
   ERP：时域分析、时频分析、溯源分析

2. 预处理

• 导入数据
  不同厂家的脑电设备导出的数据格式是不一样的！
  • 将不同文件通过EEGLAB保存为.set文件
  • 电极定位，设置channel lacation文件(BESA[正常分析]、MINI[溯源分析])
  • 剔除无用电极及标签，select data、select epochs or events
• 滤波
  由于50Hz的市电干扰以及一些高频和低频的噪声存在，预处理需要进行滤波处理
  ？滤波是直接把采集到的数据中超过一定频率的内容删掉？
  ->把脑电信号拆成不同频率的脑电，在去除不需要的频段（区分时域、频域滤波）
  低通、高通、带通、带阻
  带阻滤波勾选Notch...
• 降采样
  采样率 = 采样点数/单位时间
  一个点的采样周期 = 1/采样率

EEGlab界面解释
Frames per epoch：每一段有多少帧，即每一段有多少采样点
Sampling rate：采样率
Epoch start：每一段的开始时间
Epoch end：这一段的结束时间，按时刻点开始计算，即采样点数 = 采样率 * (end-start+1/采样率)
注意采样点与时刻点的区别

为什么要降采样？
Nyquist采样定理：采样率必须在感兴趣的频率2倍以上，最好达到3-4倍，脑电信号的采样率一般在250Hz-1000Hz.
在满足ERP的需求下，减少数据量，加快计算速度

• 分段和基线校正（ERP）
  Extract epochs
  注意分段的区间限制，预留空间做精细化处理

• 插值坏导和剔除坏段
  Spherical算法：容积传导效应，利用周围电极电位对该电极电位的影响权重不同，重新赋值
  Interpolate electrodes ->select from data channels

plot -> channel data ->REJECT

• 重参考
  脑电信号采集的信号，就是电极所在位置跟参考电极之间的电位差。一般脑电在脑电记录的时候参考电极有鼻尖(Nz)、头顶中央(Cz)、单侧乳突等位置。
  常用参考方式：双侧乳突平均参考或全脑平均参考(电极数量少于32个则不适合)
  Re-reference the data

• 剔除伪迹/坏段
  常见伪迹：

  • 眨眼VEOG：前端分布、小方块、随机分布、低频能量高、成分排序靠前
  • 眼漂HEOG：前端两侧分布，红蓝相对、长条状，红蓝相对、随机分布、低频能量高、成分排序靠前，但一般排在眨眼后
  • 头动：周围分布、长条状、随机分布、在单个Trail里有非常明显的漂移
  • 工频干扰：分布在地线周围、单个Trail上的分布非常规律、50Hz左右能量最高
  • 心电：呈雨点般散落状

ICLable项目:（ICA去伪迹、伪迹矫正）：
ICA（盲源分离算法、独立成分分析)可以找到不同脑电信号源活动以及它们的头皮分布：将原始信号分解，分离的独立成分分为伪迹相关成分和神经活动相关成分（将信号和伪迹（眼电心电肌电等成分）分离），剔除被标记为伪迹的相关成分，并对其他成分进行重新组合
Tools -> Decompose date by ICA -> Classify components by ICLable

64导及以下，如果没有插补过坏电极，那么直接跑；
如果插补了，需要在'extended,1'后加参数，'pca',m-n
m为当前数据中的点击数量，n为插补的电极数量
电极数量大于64导系统时，只跑64个成分即可

绝对值法/极端值去伪迹（伪迹剔除）
脑电电压一般在±100uV(更严格，±70uV)

去除成分和坏段的区别：

脑电数据包括信号与噪声，时域分析时可以通过叠加平均提高信噪比（噪声使随机分布的，信号是锁时锁相的）。
绘制ERP波形图和波幅地形图（选定通道，比较随时间变化的波幅，选定时间，比较各通道的波幅