Laboratorium EEG/EEGLAB: Różnice pomiędzy wersjami

Z Brain-wiki
Linia 32: Linia 32:
  
  
 +
Etapy analizy, które musimy wykonać to:
 +
 +
* FILTROWANIE i CIECIE sygnałów
 +
* DOBÓR PROGÓW DLA ARTEFAKTOW na podstawie oglądania sygnału i prób z różnymi progami do autoamtu (abnormal values / abnorlmal trends)
 +
* Automatyczne usuwanie artefaktów
 +
* Przygotowanie danych do analiz wg. przynależności do czynnika grupującego
 +
* Wybór obszarów zainteresowania (grup elektrod do analizy)
 +
* Analiza wariancji
 +
* Zilustrowanie wyników analizy
 +
 +
Aby nasze analizy były łatwo powtarzalne przygotujemy główny skrypt np: <tt>run_me.m</tt>, do którego będziemy dodawać stopniowo skrypty i funkcje kolejnych etapów analizy. Dla czytelności kodu i możliwości uruchamiania osobno poszczególnych etapów posłużymy się technologią komórek w Matlabie (komórkę rozpoczynają dwa procenty '%%');
 +
 +
Zacznijmy zatem pisać <tt>run_me.m</tt>. Ustawiamy zmienne ze ścieżkami, wybieramy, które dane wchodzą do analizy (część została odrzucona ze względu na nadmiar artefaktów), częstości odcięcia filtrów dolno- i górno-przepustowego, czasy wokół momentu wyświetlenia bodźca, informacja, które kanały zawierają EEG, zakres czasu do korekty poziomu "0":
 +
 +
<source lang = matlab>
 +
%% USTAWIENIA:
 +
directoryIn  = '../DANE/';                      % lokalizacja folderu z surowymi danymi
 +
directoryOut = '../DANE/';                      % lokalizacja do zapisu przygotowanych danych
 +
addName      = '_epoch';                        % dodatek do nazwy pliku przy zapisywaniu przygotowanych danych
 +
subjects    = [1:6,8:11 ,15:24,26:37];        % lista badanych do wczytania (z poprawnymi danymi)
 +
LowFreqCut  = 0.1;                            % granica odciecia filtru gornoprzepustowego
 +
HighFreqCut  = 30;                              % granica odciecia filtru dolnoprzepustowego
 +
startT      = -0.3;                            % start do wyciecia epok [s]
 +
stopT        = 1.0;                            % stop do wyciecia epok [s]
 +
eegChan      = 1:19;                            % numery kanalow EEG
 +
baseline    = [-200, 0];                      % baseline [od,do] [ms] do odjecia
 +
 +
 +
%% FILTROWANIE i CIECIE
 +
 +
 +
eeglab
 +
filtruj_i_tnij(EEG , ALLEEG , CURRENTSET, directoryIn, directoryOut, addName, subjects, LowFreqCut, HighFreqCut, startT, stopT, eegChan, baseline)
 +
</source>
 +
 +
==== <tt>filtruj_i_tnij.m</tt>====
 +
Musimy teraz napisać funkcję <tt>filtruj_i_tnij</tt>. Musi ona kolejno wczytać nasze zbiory danych, stworzyć montaż kanałów, przefiltrować je, kanał po kanale, wyciąć interesujące nas epoki, wykonać dla nich korektę poziomu "0", i zapisać tak przetworzone dane do nowych "*.set"-ów. Szkilet tej funkcji wygląda następująco, proszę uzupełnić brakujące fragmenty:
 +
<source lang = matlab>
 +
 +
 +
</source>
 +
 +
 +
<source lang = matlab>
 +
%% DOBOR PROGOW DLA ARTEFAKTOW na podstawie ogladanie sygnalu i prob z roznymi progami do autoamtu (abnormal values / abnorlmal trends)
 +
 +
EEG = pop_loadset('filename','B01_epoch.set','filepath',directoryOut);
 +
[ALLEEG, EEG, CURRENTSET] = eeg_store(ALLEEG, EEG, 0);
 +
EEG = eeg_checkset( EEG);
 +
eeglab redraw
 +
%Tools -> Reject data epochs -> Reject data (all methods)
 +
%link do tutoriala EEGlab: https://sccn.ucsd.edu/wiki/Chapter_01:_Rejecting_Artifacts#Rejecting_artifacts_in_epoched_data
 +
 +
%% Automatyczne usowanie artefaktow
 +
 +
abnormalValue = 60;                            % wartosc [uV] powyzej/ponizej(na minusie) ktorej oznaczane sa artefakty
 +
abnormalTrend = [50, 0.3];                      % [max slope [uV/epoch], R squared limit (0-1)]
 +
markArtefacts(EEG , ALLEEG , CURRENTSET, directoryOut, addName, subjects, abnormalValue, abnormalTrend)
 +
 +
%% przygotowanie danych
 +
 +
data = prepareData(EEG , ALLEEG , CURRENTSET, directoryOut, addName, subjects);   
 +
% data - macierz z danymi o rozmiarze [2(1.Words|2.Pseudo) x subjects x kanaly x probki]
 +
 +
%% GFP
 +
 +
timeMarks = [];
 +
plotGFP(data,startT,stopT,EEG.srate,timeMarks,EEG.chanlocs)
 +
timeMarks = [70,120,225,290,375,670];
 +
plotGFP(data,startT,stopT,EEG.srate,timeMarks,EEG.chanlocs)
 +
 +
%% ANOVA
 +
 +
ROI.channels = [[18,13];[15,10];[19,17];[9,4];[11,6]];
 +
ROI.labels  = {'LF','CF','RF','LP','RP'};
 +
dataANOVA = prepareDataForANOVA(data,timeMarks,ROI,startT,stopT,EEG.srate);
 +
% dataANOVA - [5 okien czasowych x obserwacje x |1.srednia amplituda 2. subject 3.slowo(0)/pseudo(1) 4.ROI|]
 +
 +
for window = 1:(length(timeMarks)-1)
 +
    dANOVA = squeeze(dataANOVA(window,:,:));
 +
    stats  = anova(dANOVA(:,1),dANOVA(:,2),dANOVA(:,3),dANOVA(:,4),{'type','ROI'});
 +
    stats2 = PostHocStats(stats,dANOVA,ROI);
 +
   
 +
    disp(['------------- Time window: ' num2str(timeMarks(window)) '-' num2str(timeMarks(window+1)) '-------------'])
 +
    disp(stats)
 +
    disp(stats2)
 +
end
 +
 +
%% rysowanie ERP w ROI
 +
 +
plotERP_ROI(data,startT,stopT,EEG.srate,timeMarks,ROI)
 +
 +
</source>
  
 
[[Laboratorium_EEG]]/EEGLAB
 
[[Laboratorium_EEG]]/EEGLAB

Wersja z 11:04, 14 mar 2018

Laboratorium_EEG/EEGLAB

Zajęcia bazują na podręczniku praktycznym użytkowania pakietu EEGLAB dostępnym na stronach:

Analiza potencjałów wywołanych

Wprowadzenie

W tej części zajęć naszym celem jest przećwiczenie pracy z danymi z eksperymentu w którym badamy potencjały wywołane na grupie osób. Dane pochodzą z eksperymentu opisanego w artykule: Effects of Valence and Origin of Emotions in Word Processing Evidenced by Event Related Potential Correlates in a Lexical Decision Task

Skupimy się na badaniu różnic pomiędzy przetwarzaniem słów i pseudo-słów.

Przebieg eksperymentu

Uczestnicy zostali poinformowani o celu eksperymentu i charakterze pomiaru EEG. Zachęciliśmy ich, aby utrzymywali wygodną postawę i kontrolowali mruganie. Protokół zapewniał 3-s przerwy na normalne mruganie co 10 prób, jak również dwie dłuższe przerwy, których czas trwania jest kontrolowany przez uczestnika, dla odpoczynku i poprawy postawy. Długie przerwy występowały co 270 prób.

Zadaniem było odczytanie bodźców, które pojawiły się na środku ekranu, i zaklasyfikowanie ich jako słów lub pseudo-słów przez naciśnięcie oznaczonych klawiszy na klawiaturze. Rejestrowano typ i opóźnienie odpowiedzi. Pojedynczy blok eksperymentalny zawierał 135 słów i 135 pseudo-słów; ten blok powtórzono trzy razy. Słowa i pseudo słowa były wyświetlane w losowej kolejności we wszystkich blokach. Próby przebiegały w następujący sposób: (1) punkt fiksacji wyświetlany przez 500 ms; (2) bodziec wyświetlany, dopóki uczestnik nie odpowie; (3) pusty ekran wyświetlany przez losowo zmienny odstęp czasu między 1000 a 1100 ms.

Przygotujmy katalogi do analizy. Przydadzą się następujące:

  • DANE
  • SKRYPTY
  • RYSUNKI

Dane dostępne są tutaj.

Proszę je ściągnąć i wypakować do katalogu DANE. Powinno pojawić się 66 plików, po 2 na każdą osobę. Pliki *.set to pliki matlabowe zawierające struktury EEG, pliki *fdt zawierają właściwe sygnały.

SKRYPTY

Etapy analizy, które musimy wykonać to:

  • FILTROWANIE i CIECIE sygnałów
  • DOBÓR PROGÓW DLA ARTEFAKTOW na podstawie oglądania sygnału i prób z różnymi progami do autoamtu (abnormal values / abnorlmal trends)
  • Automatyczne usuwanie artefaktów
  • Przygotowanie danych do analiz wg. przynależności do czynnika grupującego
  • Wybór obszarów zainteresowania (grup elektrod do analizy)
  • Analiza wariancji
  • Zilustrowanie wyników analizy

Aby nasze analizy były łatwo powtarzalne przygotujemy główny skrypt np: run_me.m, do którego będziemy dodawać stopniowo skrypty i funkcje kolejnych etapów analizy. Dla czytelności kodu i możliwości uruchamiania osobno poszczególnych etapów posłużymy się technologią komórek w Matlabie (komórkę rozpoczynają dwa procenty '%%');

Zacznijmy zatem pisać run_me.m. Ustawiamy zmienne ze ścieżkami, wybieramy, które dane wchodzą do analizy (część została odrzucona ze względu na nadmiar artefaktów), częstości odcięcia filtrów dolno- i górno-przepustowego, czasy wokół momentu wyświetlenia bodźca, informacja, które kanały zawierają EEG, zakres czasu do korekty poziomu "0": 

%% USTAWIENIA:
directoryIn  = '../DANE/';                       % lokalizacja folderu z surowymi danymi
directoryOut = '../DANE/';                       % lokalizacja do zapisu przygotowanych danych
addName      = '_epoch';                        % dodatek do nazwy pliku przy zapisywaniu przygotowanych danych
subjects     = [1:6,8:11 ,15:24,26:37];         % lista badanych do wczytania (z poprawnymi danymi)
LowFreqCut   = 0.1;                             % granica odciecia filtru gornoprzepustowego
HighFreqCut  = 30;                              % granica odciecia filtru dolnoprzepustowego
startT       = -0.3;                            % start do wyciecia epok [s]
stopT        = 1.0;                             % stop do wyciecia epok [s]
eegChan      = 1:19;                            % numery kanalow EEG
baseline     = [-200, 0];                       % baseline [od,do] [ms] do odjecia


%% FILTROWANIE i CIECIE


eeglab
filtruj_i_tnij(EEG , ALLEEG , CURRENTSET, directoryIn, directoryOut, addName, subjects, LowFreqCut, HighFreqCut, startT, stopT, eegChan, baseline)

filtruj_i_tnij.m

Musimy teraz napisać funkcję filtruj_i_tnij. Musi ona kolejno wczytać nasze zbiory danych, stworzyć montaż kanałów, przefiltrować je, kanał po kanale, wyciąć interesujące nas epoki, wykonać dla nich korektę poziomu "0", i zapisać tak przetworzone dane do nowych "*.set"-ów. Szkilet tej funkcji wygląda następująco, proszę uzupełnić brakujące fragmenty: 


%% DOBOR PROGOW DLA ARTEFAKTOW na podstawie ogladanie sygnalu i prob z roznymi progami do autoamtu (abnormal values / abnorlmal trends)

EEG = pop_loadset('filename','B01_epoch.set','filepath',directoryOut);
[ALLEEG, EEG, CURRENTSET] = eeg_store(ALLEEG, EEG, 0);
EEG = eeg_checkset( EEG);
eeglab redraw
%Tools -> Reject data epochs -> Reject data (all methods)
%link do tutoriala EEGlab: https://sccn.ucsd.edu/wiki/Chapter_01:_Rejecting_Artifacts#Rejecting_artifacts_in_epoched_data

%% Automatyczne usowanie artefaktow

abnormalValue = 60;                             % wartosc [uV] powyzej/ponizej(na minusie) ktorej oznaczane sa artefakty
abnormalTrend = [50, 0.3];                      % [max slope [uV/epoch], R squared limit (0-1)]
markArtefacts(EEG , ALLEEG , CURRENTSET, directoryOut, addName, subjects, abnormalValue, abnormalTrend)

%% przygotowanie danych

data = prepareData(EEG , ALLEEG , CURRENTSET, directoryOut, addName, subjects);     
% data - macierz z danymi o rozmiarze [2(1.Words|2.Pseudo) x subjects x kanaly x probki]

%% GFP 

timeMarks = [];
plotGFP(data,startT,stopT,EEG.srate,timeMarks,EEG.chanlocs)
timeMarks = [70,120,225,290,375,670];
plotGFP(data,startT,stopT,EEG.srate,timeMarks,EEG.chanlocs)

%% ANOVA

ROI.channels = [[18,13];[15,10];[19,17];[9,4];[11,6]];
ROI.labels   = {'LF','CF','RF','LP','RP'};
dataANOVA = prepareDataForANOVA(data,timeMarks,ROI,startT,stopT,EEG.srate);
% dataANOVA - [5 okien czasowych x obserwacje x |1.srednia amplituda 2. subject 3.slowo(0)/pseudo(1) 4.ROI|] 

for window = 1:(length(timeMarks)-1)
    dANOVA = squeeze(dataANOVA(window,:,:));
    stats  = anova(dANOVA(:,1),dANOVA(:,2),dANOVA(:,3),dANOVA(:,4),{'type','ROI'});
    stats2 = PostHocStats(stats,dANOVA,ROI);
    
    disp(['------------- Time window: ' num2str(timeMarks(window)) '-' num2str(timeMarks(window+1)) '-------------'])
    disp(stats)
    disp(stats2)
end

%% rysowanie ERP w ROI

plotERP_ROI(data,startT,stopT,EEG.srate,timeMarks,ROI)

Laboratorium_EEG/EEGLAB

Źródło: „http://brain.fuw.edu.pl/edu/index.php?title=Laboratorium_EEG/EEGLAB&oldid=7590”