728x90 반응형 SMALL Brain Engineering114 10-20 EEG Placement 10-20 EEG Placement • Nasion • Inion • Left PreͲauricular point • Right PreͲauricular point Nasion 전두골의 코 부분과 코뼈 를 연결하는 전두비 봉합사의 가장 앞쪽 지점이다. 코뼈를 연결하는 비내 봉합사와 전 두비 봉합사의 교차점에서 중간점을 표시한다. 콧대 바로 위에 있는 눈 사이 바로 위의 뚜렷하게 함몰된 영역으로 얼굴에서 볼 수 있다. 미간 바로 아래에 있는 두부계측 랜드마크이다. Inion (External occipital protuberance) 후두골의 편평한 부분의 중앙 부근에는 외부 후두 융기 (external occipital protuberance)가 있으며 그 중 가장 높은 부분을 이온 (inion)이라고 .. 2022. 4. 11. 10–20 System 10–20 system 10-20 시스템 또는 International 10-20 시스템은 EEG 검사, 수면다원검사 또는 자발적인 실험실 연구의 맥락에서 두피 전극의 위치를 설명하고 적용하는 국제적으로 인정된 방법이다. 이 방법은 과학적 방법을 사용하여 피험자의 연구 결과 (임상 또는 연구)를 수집, 재생산 및 효과적으로 분석 및 비교할 수 있도록 하는 표준화된 테스트 방법을 유지하기 위해 개발되었다. 이 시스템은 전극의 위치와 뇌의 기본 영역, 특히 대뇌 피질 사이의 관계를 기반으로 한다. 수면과 각성 주기 동안 뇌는 피부에 있는 전극으로 감지할 수 있는 객관적이고 구별 가능한 다양한 전기적 패턴을 생성한다. (이러한 패턴은 다양할 수 있으며 연령, 처방약, 신체 진단, 신경학적 손상 / 상해 /.. 2022. 4. 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. Machine Learning : Formatting a dataset Emotion-Antecedent Appraisal Checks : EEG and EMG data sets for Novelty and Pleasantness 이 데이터 세트는 van Peer et al에 의해 구성되었으며 https://zenodo.org/record/197404#.XZtCzy2B0UE에서 다운로드할 수 있다 . (van Peer, Jacobien M., Coutinho, Eduardo, Grandjean, Didier, & Scherer, Klaus R. (2017). 감정 선행 평가 검사 : EEG 및 EMG 데이터 세트 for Novelty and Pleasantness[데이터 세트]. PloS One. Zenodo. http://doi.org/10.5281/zenodo.19740.. 2022. 4. 5. 이전 1 2 3 4 5 6 7 ··· 12 다음 728x90 반응형 LIST
