본문 바로가기
728x90
반응형
SMALL

Brain Engineering/MNE35

[MNE-Python] ICA를 이용하여 EEG 신호에서 안구 운동 제거 배경 ICA (독립 구성 요소 분석)는 다중 채널 EEG 기록을 최대한 독립적인 구성 요소로 분해한다. 안구 활동을 나타내는 구성 요소를 식별하고 제거하여 인공물이 없는 EEG 신호를 재구성할 수 있다. 이 접근 방식은 Jung et al.에 자세히 설명되어 있다 (2000). 회귀 기반 접근 방식은 EOG 채널이 필요하지만 ICA는 참조 신호 없이 작동한다. 두 방법 모두 잠재적으로 안구 활동 외에도 뇌 활동을 제거한다. 많은 EEG 채널을 사용할 수 있는 경우 ICA는 안구 구성요소를 뇌 구성요소에서 잘 분리할 수 있다 (이를 위해서는 상대적으로 많은 데이터 샘플이 필요함). 더 깨끗한 분리는 또한 안구 구성 요소가 제거될 때 더 적은 뇌 활동이 제거됨을 의미한다. ICA 분해에 필요한 최소 EEG .. 2022. 8. 23.
[MNE-Python] 선형회귀를 이용하여 EEG 신호에서 안구 운동 제거 배경 진행 중인 EEG에서 눈의 움직임과 눈 깜박임이 명확하게 보인다. 이러한 안구 인공물은 눈의 앞과 뒤 사이의 전기 쌍극자의 변화에 ​​의해 생성된다. 일반적으로 기록된 EEG에 대한 눈 활동의 영향을 최소화하는 것이 중요하다. 안구 인공물을 제거하는 데 사용할 수 있는 두 가지 인기 있는 방법, 즉 (다변량 선형) 회귀를 기반으로 하는 접근 방식과 독립 구성 요소 분석 (ICA)을 기반으로 하는 접근 방식이 있다. 가장 단순한 형태의 회귀 기반 접근 은 EEG의 회귀 계수를 추정하기 위해 자발적으로 생성된 안구 인공물을 포함하는 사전 실험 보정 실행의 데이터를 사용했던 Hillyard와 Galambos (1970)로 거슬러 올라간다. 10년 이상 후에 Gratton, Coles, Donchin (1.. 2022. 8. 23.
전력 스펙트럼 밀도 (Power Spectral Density) 전력 스펙트럼 밀도 (Power Spectral Density)  PSD (Power Spectral Density)는 주파수 스펙트럼 (주파수 영역) 상의 전력 표현으로 신호 주파수에 따른 전력 밀도의 분포를 보기 위해 신호의 전력 대 주파수를 측정한 것이다. PSD는 일반적으로 광대역 임의 신호를 특성화하는 데 사용된다. 이는 주파수 영역에서 단위 Hz 대 주파수 당 전력의 단위로 플롯으로 볼 수 있다.   테스트 데이터 실제 PSD를 계산하기 전에 몇 가지 테스트 데이터를 생성해야 한다. 이를 위해 주파수 10Hz와 60Hz에서 두 개의 사인파를 사용한다. 또한, 신호에서 이 두 가지 주파수 구성 요소를 찾을 수 있는지 여부를 확인하기 위해 약간의 가우스 잡음을 던진다. import numpy as.. 2022. 8. 6.
Machine Learning : Classication over time (2) Group-Level Analysis on Temporal Dimension Group-Level Analysis에서와 같이 참가자의 데이터를 연결하여 그룹 수준의 분석에 필요한 데이터 세트를 구성한다. #Load Dataset data_folder = '../../study1/study1_eeg/epochdata/' files = [data_folder+f for f in listdir(data_folder) if isfile(join(data_folder, f)) and '.DS_Store' not in f] #files = files[:10] ids = [int(f[-6:-4]) for f in files] numberOfEpochs = np.zeros((len(ids), 3)) # Read the.. 2022. 4. 6.
Machine Learning : Classication over time (1) EEG 데이터의 시간적 차원에 기계 학습 방법 적용 이전 사례인 단일 참가자 분석 및 그룹 수준 분석에서와 동일한 EEG 데이터에 분류를 적용하지만 데이터의 시간적 차원을 활용한다. 단일 참가자 분석 및 그룹 수준 분석에서 다른 자극에 대한 EEG 반응을 분류할 수 있는지 여부를 조사했다. 그러나 분류는 시간에 구애받지 않았다. 그것은 단지 뇌의 어딘가, 특정 시점에 다른 자극 (확인하기 위해)에 대해 차등적인 EEG 반응이 있다는 것을 알렸다. (a) 다른 이미지에 대한 EEG 반응을 분류할 수 있는지? (b) 식별 가능한 EEG 활동이 있는 시기는 언제인지? 이러한 질문에 답하기 위해 단일 참여자 분석 및 그룹 수준 분석에서와 동일한 알고리즘을 사용 하지만 이번에는 각 시간 인스턴스에서 하나의 분류기.. 2022. 4. 5.
Machine Learning : Group-Level Analysis (Part - 2) (3) Part - 2 모든 데이터는 모델을 구축하는 데 사용한다. #Load and prepare dataset data_folder = '../../study1/study1_eeg/epochdata/' files = [data_folder+f for f in listdir(data_folder) if isfile(join(data_folder, f)) and '.DS_Store' not in f] ids = [int(f[-6:-4]) for f in files] numberOfEpochs = np.zeros((len(ids), 3)) # Read the EEG epochs: epochs_all_UN, epochs_all_UP, epochs_all_NP = [], [], [] for f in range(len.. 2022. 4. 5.
Machine Learning : Group-Level Analysis (Part - 1) (2) Example #2 : Classification between Unpleasant and Neutral Events 불쾌한 사건과 중립적인 사건 사이의 분류 작업에 첫 번째 예의 동일한 단계가 적용된다. results_perParticipant_UN = [] model_names = [ 'LR', 'LDA'] kfold = StratifiedKFold(n_splits=3, random_state=42) for i in range(len(ids)): # Linear Discriminant Analysis clf_lda_pip = make_pipeline(Vectorizer(), StandardScaler(), LinearDiscriminantAnalysis(solver='svd')) #Logistic R.. 2022. 4. 5.
Machine Learning : Group-Level Analysis (Part - 1) (1) Applying Machine Learning Methods to EEG Data on Group Level Single-Participant Analysis라는 자습서에서 동일한 분류 작업을 수행 하지만 이번에는 참가자 그룹의 EEG 데이터를 고려하여 그룹 수준에서 분석이 수행된다. Dataset 단일 참가자 분석에서는 '감정-선행 평가 검사 : 참신함과 쾌적함을 위한 EEG 및 EMG 데이터 세트'의 유일한 참가자 데이터가 사용되었다. 첫 번째 부분에서는 각 참가자에 대해 모델 목록을 별도로 작성한 다음 성능을 통계적으로 비교한다. 두 번째 부분부터 분류기를 구축하는 동안 모든 참가자의 데이터가 포함된다. Part - 1 def warn(*args, **kwargs): pass import warni.. 2022. 4. 5.
Machine Learning : Single-Participant Analysis (2) Task #2 : Classification between Unpleasant and Pleasant Events # Prepare dataset # Dataset with unpleasant and pleasant events data_UP = epochs_UP.get_data() labels_UP = epochs_UP.events[:,-1] train_data_UP, test_data_UP, labels_train_UP, labels_test_UP = train_test_split(data_UP, labels_UP, test_size=0.3, random_state=42) 첫 번째 예에서와 같이 SVM, LR 및 LDA 모델을 빌드한다. # SVM clf_svm_pip = make_pipeline(V.. 2022. 4. 5.
Machine Learning : Single-Participant Analysis (1) Dataset 시연 목적으로 '감정-선행 평가 검사 : 참신함과 쾌적함을 위한 EEG 및 EMG 데이터 세트' 데이터세트를 사용한다. 이 데이터 세트에는 26명의 참가자가 있으며, 각 참가자는 다양한 수준의 쾌적함 (즐거움 / 불쾌함 / 중립)으로 일련의 이미지 (익숙한 / 새로운 / 목표)를 보고 있다. 따라서 우리는 두 글자로 이미지에 대한 EEG 반응에 레이블을 지정한다. 첫 번째는 친숙함의 수준(ex. F는 친숙함)을 나타내고 두 번째는 유쾌함의 수준(ex. 유쾌함은 P)을 나타낸다. 예를 들어 'FP'라는 레이블은 Familar-Pleasant 이미지에 대한 EEG 응답을 나타낸다. 제시된 이미지의 대다수가 친숙했기 때문에(전체 이미지의 70%), 이 튜토리얼에서는 EEG 응답만을 기반으로 제시.. 2022. 4. 5.
728x90
반응형
LIST