728x90 반응형 SMALL Brain Engineering117 [EEGLAB] 데이터 가져오기 데이터 가져오기 데이터 가져오기는 종종 EEG 분석을 시작하는 첫 번째이자 가장 중요한 단계이다. 그리고 데이터 형식, 채널 위치 파일, EEG 데이터와 동기화해야 하는 이벤트 데이터 파일이 다양하기 때문에 어려울 수 있다. 연속 데이터 File → Using EEGLAB functions and plugins에서 메뉴 항목을 사용할 수 있는지 확인한다. 메뉴를 선택하고 파일을 가져온다. 메뉴 항목 File → Using the File-IO interface, 아직 설치하지 않은 경우 EEGLAB에서 File-IO 플러그인을 설치할 수 있다. 함수가 오류를 반환하지 않으면 파일을 가져온다. File-IO는 다양한 데이터 형식을 가져오는 Fieldtrip 모듈이다. 자세한 내용은 파일 IO 설명서를 참조.. 2022. 4. 14. [EEGLAB] 샘플 EEGLAB 데이터세트 로드 샘플 EEGLAB 데이터세트 로드 메뉴 항목 File을 선택하고 하위 메뉴 항목 Load existing dataset를 누른다. 데이터에서 EEGLAB 데이터세트를 만드는 방법을 배우려면 Importing data and data events에 대한 자습서를 참조하면 된다. EEGLAB의 "sample_data" 폴더에 있는 툴박스와 함께 배포되는 "eeglab_data.set" 튜토리얼 파일을 선택합니다. 그런 다음 open을 누른다. EEGLAB이 데이터 세트를 로드한 후 기본 EEGLAB 창에 관련 정보 (채널 수, 샘플링 속도 등)가 표시된다. 이벤트 값 탐색 튜토리얼 데이터세트에서 EEG.event 구조 필드 type , position 및 latency 는 데이터세트에 표시된 154개의 이벤.. 2022. 4. 13. [EEGLAB] 설치 및 시작 EEGLAB 설치 및 시작 EEGLAB 배포의 sample_data 하위 폴더에 자습서 데이터 세트가 포함된 EEGLAB를 다운로드한다. EEGLAB 압축을 풀면 "eeglabxxxx"라는 폴더가 생성된다 (참고 : 현재 버전 번호 'xxxx'는 다를 수 있음). Windows에서 MATLAB은 일반적으로 도구 상자를 Application/MATLABRxxxx/toolbox/ 폴더에 배치할 것을 권장하지만 요구하지는 않는다 (참고 : 이 이름은 MATLAB 버전 'xxxx'에 따라 달라야 함). Linux에서 MATLAB 도구 상자 폴더는 일반적으로 /usr/local/pkgs/MATLAB-rxxxx/toolbox/ 에 있다. MacOS에서는 "/Application/MATLAB_Rxxxx"에 있다. 경.. 2022. 4. 13. 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. 이전 1 2 3 4 5 6 7 ··· 12 다음 728x90 반응형 LIST
