MATLAB | 用行为数据处理EEG数据事件码
更多技术干货第一时间送达
脑机接口社区推荐搜索
脑电图（Electroencephalogram，EEG）是通过精密的电子仪器，从头皮上将脑部的自发性生物电位加以放大记录而获得的图形，同时具有极高的时间分辨率。EEGLAB和ERPLAB常被用来处理脑电数据，因其操作方便且免费。
用EEGLAB和ERPLAB提取ERP成分的同学都知道，Extract epochs或Extract bin-based epochs的方法可以锁定感兴趣的事件诱发的时刻，对后续进行ICA分析、叠加平均有利。但它对事件码的依赖很高。比如关键的事件码丢失了，将无法识别潜在的有效的试次，会影响叠加平均的有效试次数，降低信噪比。
在每个试次开始时，用Writeport的方法打{1，2，3}中的一个。
接着用OnsetSignalData的方法在控件Stim处打{11，12，21，22，31，32，33，34，35}等9个码中的一个。
在700~1000ms之后，用Writeport的方法打{1}。
随后用OnsetSignalData的方法在控件StandardStim处打{11，22，31，32，33，34，35}等7个码中的一个。
在700~1000ms后，结束一个试次。
反应码{4，6}由被试按键触发，用Writeport的方法打入，它可能出现在某个inline语句结束的时刻。
图7
writeport &378,02.提取行为数据
图9
图10.实验结束后产生的数据文件
我们需要将E-DataAid文件转化为EXCEL数据并提取其中的：FixMark、EmoMark、EmoMark2、Wait1.OnsetTime、反应时间等数据。
这里，我们用Wait1.OnsetTime表示EmoMark的行为潜伏期，而EmoMark2由于没有记录到其行为潜伏期，所以无法予以匹配EEG潜伏期（详见下文结果）。
由于我的EEG数据是从正式实验开始记录的，所以行为数据需要剔除练习的行数据（顺便把休息阶段的行数据剔除）。得到几列数据为：
3.匹配EEG事件码潜伏期和行为数据潜伏期
在后续分析中，我们对{11，12，21，22，31，32，33，34，35}等9个码发生后的ERP成分感兴趣。它们是以OnsetSignalData的方式打入的，在行为数据中有潜伏期数据。所以我们以这些码为对象，尝试EEG潜伏期和行为潜伏期的匹配。
首先，在EEGLAB界面导入此被试的EEG数据。
%提取EEG事件码数据ureventData = EEG.urevent;eventData = EEG.event;
设置感兴趣的事件码。
%设置感兴趣的事件码。Mark=[11 12 21 22 31 32 33 34 35];Loc1=logical(zeros(1,length(ureventData)));%建立逻辑型空向量Loc =logical(zeros(1,length(ureventData)));%建立逻辑型空向量for i=1:length(Mark)%判断事件码在数据中的位置Loc1=[ureventData(:).type]==Mark(i);%判断存在事件码的位置Loc=Loc|Loc1; %或然关系，表示该位置存在一个事件码end
%将感兴趣的事件码从EEG事件码数据中提取出来。EEGMark = find(Loc);for i=1:length(EEGMark) MarkData(i).type=[ureventData(EEGMark(i)).type]; MarkData(i).latency=[ureventData(EEGMark(i)).latency];end[BehaviorData,~,Raw]=xlsread('D:\2018.04-2021.07Postgraduate\11-biye\XQEMMN\data\Sub1\Sub1Behavior.xlsx');得到BehaviorData和Raw两组数据，后者是含标题的数据。
图14
3.3.将事件码的EEG潜伏期和行为潜伏期按顺序排列
TypeDif=0;%建立字段用于储存事件码的差异for i=1:length(MarkData) k=floor((i+1)/2); %行为数据的第k行数据放到Mark数据的第i行 j=2-mod(i,2); MarkData(i).BehType=BehaviorData(k,j); %行为数据的第1列数据放到Type列单数行，第2列数据放到Type列双数行。 MarkData(i).BehLatency=(1+(-1)^(j+1))/2*BehaviorData(k,4); %行为数据的第4列数据放到Latency列单数行，第5列数据放到Latency列双数行。 MarkData(i).LatencyDif=(1+(-1)^(j+1))/2*(MarkData(i).BehLatency-MarkData(i).latency);%计算时间戳的差异 MarkData(i).TypeDif= MarkData(i).type-MarkData(i).BehType; %判断事件码是否有差异 TypeDif = TypeDif + abs(MarkData(i).TypeDif); %计算事件码的差异end得到新的MarkData：
图15
另一方面，我们在上述代码中用TypeDif记录了事件码的差值，结果TypeDif得到全为0，表明EEG事件码和行为数据是匹配的。
3.5.用行为数据复原事件码的EEG潜伏期的条件
事件码由OnsetSignalData的方式打，且行为数据记录了该控件的OnsetTime；
知道至少一个事件码的EEG潜伏期和对应的行为潜伏期，用以计算潜伏期差值；
保留感兴趣的事件{11，12，21，22，31，32}；
保留事件码{1}后面的{11，12，21，22，31，32}；
去除按键所在的事件；
SaveNum=0;%建立字段，用于计算保留的事件码数for i=1:length(MarkData)k=floor((i+1)/2); %行为数据的第k行数据放到Mark数据的第i行j=2-mod(i,2);%↓判断FixMark是否为1，去除2，3事件码MarkData(i).FixChnMark = floor(1/MarkData(i).FixMark);%floor(1/2)=0,floor(1/3)=0;%↓判断是否作了按键反应，去除按键所在的事件；if BehaviorData(k,6)~=0 & j==2MarkData(i).ReactMark = 0;elseMarkData(i).ReactMark = 1;end%↓保留同时满足上述两个条件的事件MarkData(i).Save = MarkData(i).ReactMark & MarkData(i).FixChnMark;%↓计算保留的事件数SaveNum = SaveNum+MarkData(i).Save;end
得到SaveNum=1517。
图18
4.3.抽样检查运行结果是否符合预期
图19.行为数据
图20
通过简单的抽样检查发现运行结果是符合预期的。
4.4.取出符合条件的事件码
j=1;for i=1:length(EEGMark) if MarkData(i).Save==1 Chnevent(j).type=MarkData(i).type; Chnevent(j).latency=MarkData(i).latency; Chnevent(j).urevent=j; Chnurevent(j).type=MarkData(i).type; Chnurevent(j).latency=MarkData(i).latency; j=j+1; endend命名为Chnevent和Chnurevnt，对应EEG里的EEG.event和EEG.urevent。
%替换事件码数据EEG.event=Chnevent;EEG.urevent=Chnurevent;
图22
5.后续
%复原事件码数据EEG.urevent = ureventData;EEG.event = eventData;