ERP_07源分析和成分分析(包含ICA分析的步骤)

溯源分析Patchofalignedpyramidalcellsingraymatterlayer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（equivalentdipole）。InverseCalculationHeadModelSensorsModelSourceModelData(measured)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溯源分析软件•Curry•Besa•Geosource•ICA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创建BEM头颅模型我们先读入了最原始的文件：1_nback.cnt(nback是我们这个实验的名称)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。所导入的数据的一些基本信息。这里我们得到了：1_nback.set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。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。这里我们得到了：2_withoutP8T7HV.set独立成分分析(IndependentComponentAnalysis，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。这里我们得到了：3_ICA.set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。那么哪些成分是与眼动有关的呢？好的ICA分析2D图：首先脑外没有分布；其次有集中的峰值。不好的ICA分析2D图举例怎样确定：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。源成分1的活动变化与垂直眼动的电压变化相吻合源成分8的活动变化与水平眼动的电压变化相吻合去掉对应的源成分后，它自动会计算新的EEG波形。得到：4_ICAwithout18.set去掉眼电成分前的EEG波形去掉眼电成分后的EEG波形4.Epoch123455.Removeincorrecttrials6.Createstudy7.PrecomputeERP8.ExportERPsfromeeglabMethods35StimuliBackground:•9×19linesegments•7°×14°•UppervisualfieldTarget:•2.5°~5°jitterredfromthefixationMask:•Fixation:superimposed“T”and“L”75Hz1024×768pixels114cmMethods36TrialsequenceMethods37ExperimentalprocedureSOA=600ms320trials/sessionSOA=466-40ms1120trials/session15subjectsBehavioralsession:SOAwasdecreasingfrom466msto40ms:oneblockeachat466,360,266,226andthreeblockseachat186,160,146,120,106,80,66,40ms.Eachsession:28blocks×40trialsMethods38EEGrecordingsession128-channelHydroCelGeodesicSensorNet(EGI)Resistancebelow50KΩPhysicallyreferencedtoCzandthenoff-linere-referencedtotheaverageoftheleftandrightmastoidchannels.Bandpassfilter:0.1to200HzSamplingfrequency:500HzSegment:200msbeforestimulusonsetand600msafterBaseline:200mspre-stimulusandlastedfor200ms.TimewindowElectrodesANOVAC168-84msPz(62),POz(72),Oz(75)PeakamplitudeP1104-124msP1(60),Pz(62),P2(85)MeanamplitudeTheanteriorP160-350160-350msAF3(23),F3(24),AFz(16),Fz(11),AF4(3),F4(124)MeanamplitudeTheposteriorP160-350160-350msO1(70),74,O2(83),82MeanamplitudeMethods39ChannelgroupsusedforanalysisFactorsusedinrepeated-measurementANOVA:•Session•Visualfield•Hemisphere•AreaResults:behavioral40Long-termperceptuallearninghadtakenplaceLetterdiscrimination:80%correctresponseSession:F(5,70)=20.973,p0.001Errorbar:±meanstandarderror*****41TheimprovementratiooftheaveragedthresholdSOA74.6%transfertosession658.8%maintenancetosession61-Tx/T1Results:ERP42C1session:F(5,70)=0.788,p=0.562visualfield:F(1,14)=1.484,p=0.24343C1topographicmap(68-84ms)C1peakamplitudeC1:nosignificantchange44SourcelocationbyBESAC1(68-84ms,session1,thetrainedvisualfield)Twodipoles:x=±15.6,y=-77.7,z=6.8(R.V.5.6%)Location:Brodmann’sArea17V145P1:smalllearning-relatedchangessession:F(5,70)=2.021,p=0.086session1vs.session2:p0.006session1vs.session5:p0.034testIIvs.6thsession:p0.03746AnteriorP160-350:theupperleftvisualfieldN=15160ms350msmsuv-200-10001002003004005006006543210-1-2-3-4Day1Day2Day3Day4Day5Day6Day22Negativeshift47ThetimecourseofanteriorP160-350changewasverysimilartothepatternofbehavioraltrainingperformancesession:F(5,70)=19.882,p0.001visualfield:F(1,14)=1.560,p=0.232*******48Topographicmap(160-350ms)49TheposteriorP160-350session:F(5,70)=2.851,p0.022visualfield:F(1,14)=0.368,p=0.554testIIvs.6thsession:p=0.601positiveshift50SourcelocationbyBESAPrefrontalP160-350(160-350ms,session6-session1,thetrainedvisualfield)Twopairsofdipoles:Brodmann’sArea46(x=±45,y=25,z=21)Brodmann’sArea19(x=±31.5,y=-42.4,z=0.1)(R.V.4.8%)V3