脑电数据预处理步骤
脑电波预处理实验结果
脑电波预处理实验结果引言脑电波预处理是一项重要的神经科学研究领域，通过对脑电波信号的处理和分析，可以揭示大脑活动与认知功能之间的关系。
本文将详细探讨脑电波预处理实验结果，包括预处理步骤、方法和实验结果的分析与解释。
一、脑电波预处理步骤1. 数据采集脑电波信号是通过脑电图（EEG）设备采集的。
在实验开始前，参与者需要佩戴脑电图电极，将头皮表面的电位变化转化为电信号。
常用的电极放置系统有国际10-20系统和国际10-10系统。
2. 去噪处理脑电波信号往往伴随着众多噪声源，如呼吸、眨眼、肌肉运动等。
为了准确分析大脑活动特征，我们需要对脑电波信号进行去噪处理。
常用的去噪方法包括均方根去噪（RMS）、小波变换去噪和独立成分分析（ICA）等。
3. 伪迹去除脑电波信号采集过程中，可能会受到来自外部环境的干扰，形成伪迹。
伪迹可以是来自电网频率（如50Hz/60Hz）的干扰，也可以是来自电极接触不良或移动的干扰。
去除伪迹可以提高信号质量。
常用的伪迹去除方法包括滤波器设计、线性回归和伪迹识别技术。
4. 重参考脑电波信号的参考选择对分析结果有着重要影响。
常见的参考有平均参考和零参考。
平均参考是将脑电波信号减去所有电极的平均值，而零参考是将脑电波信号减去一个选定的电极。
5. 时域分析脑电波信号的时域分析旨在研究信号的振幅和频率变化。
通过计算每个时间点上的振幅和频率，可以获得大脑活动的时域特征。
时域分析方法包括计算功率谱密度和时域拓扑图。
6. 频域分析脑电波信号的频域分析可以揭示不同频段上的大脑活动特征。
常用的频域分析方法有傅里叶变换和小波变换。
通过计算功率谱密度和相干性等指标，可以了解大脑在不同频段上的频域特征。
二、脑电波预处理方法1. RMS去噪均方根去噪法是一种常用的去除脑电波信号中的眨眼和咀嚼噪声的方法。
该方法通过计算信号在时间窗口内的均方根值，将超过阈值的部分判断为噪声，并进行去除。
RMS去噪法对于高频噪声的去除效果较好。
Curry7脑电数据处理
Curry7脑电数据处理如何处理脑电数据并保存峰值数据（以N170为例）1. 打开原始数据dat文件。
2. 滤波filter parameters选择user defined(Auto)，只滤低通low pass（勾掉high pass）, slope 8, 30Hz。
3. 基线矫正baseline block（去除直线漂移）。
选constant可以自动进行。
4. 去眼电artifact reduction。
在methods中选择threshold（选择去眼电的方法），上下正负200，VEO；事件前后-200，250，450（取trigger前多少ms作基线，trigger后时间一般多一点，具体可以参考前人文献），选covar。
在之前选眼电的地方去除bad block：-100，100，all5. 重参考channel group。
选car（全脑平均），不过这一步一般是默认选好的。
5. 同种条件下所有试次取平均epoch/average。
type 1. 倒立面孔2. 正立面孔3. 倒立建筑4. 正立建筑5. 靶刺激（13对比，24对比）在1中添加type1，2中添加type2，以此类推，添加完四个type，点击下方的average，即开始将所有trial平均。
平均之后拖动图像下方左右滑块可以查看不同type的平均后图像。
6. 划分要分析的时间段option，存储峰值、潜伏期等数据。
去掉trekking modstart150 , end200 , cursor170，勾选minimum在功能状态栏里面选function-save...-save peaks（这个是保存一个type中的txt数据，之后可以再左右拖滑块更换type进行保存）。
如何对多人脑电数据取平均并进行不同条件（type）下的波形对比作图1. 打开curry，file-database-new（建立新的数据库）。
2. 在建好的数据库下点击add experiment，如图。
MRI数据预处理流程资料讲解
数据处理基本流程由于MRI是断层扫描，耗费时间较长，患者在进行MRI扫描的时候不可避免的会头部挪动，导致照射出来的图像不能一一映射；不同人的头颅，脑部大小，形状都会有所差异，获得的MRI图像也千差万别，无法对其进行对比。
所以我们就必须用一种算法将所有的MRI图像进行空间转换到一个比较标准的空间（目前使用较多的是被神经学家广泛认可的Talairach坐标系）将各个解剖结构一一对应后，再与标准化图谱或者不同个体之间相互比较（目前使用的是Talairach-Tournoux图谱）本文使用的是SPM软件和MRIcro软件处理图像数据，将MRI图像进行数据分析。
数据分析的基本流程：（1）数据预处理：○1图像格式转换○2slice timing获取时间校正○3realign头动校正○4Coregister不同成像方法间的图像融合○5nomalize 不同被试之间的图像标准化(归一化）○6smooth空间平滑《2 3 4统称图像的空间变换》（2）模型构建与参数估计：○:1建立统计模型○2将数据应用于统计模型○3进行参数统计得到单个被试的结果，多个被试的组分析数据预处理SPM是一款以MATLAB为平台的软件，所以使用SPM前一定要安装MATLAB。
打开MATLAB软件，界面如下：1.图像格式转换。
在进行数据预处理第一步要先将图像格式转换成SPM可以识别的ANALYZE格式。
转换之前先将原始数据放在MATLAB下面的mri image文件夹下，将路径设置成D：\MATLAB\work\mri image\ 设置过程如下：点击红色方块所指的按钮，在弹出的窗口中选择工作路径，按确定按钮即可。
设置完工作路径后，利用如下方法，将SPM2及其所有子文件夹添加到MATLAB的搜索途径中（1.点击file按钮，在下拉菜单选择set path2.在弹出的路径设置窗口点击"Add Folder"浏览并选择目标文件夹，eg:D:\spm2\3.点击save按钮4.点击close按钮,完成添加）在打开SPM之前，应先确定默认变量的设置是否准确，具体做法如下：1.在matlab命令窗口输入“edit spm_defaults"打开spm_defaults.m文件2.查看defaults.analyze.flip条目，确认defaults.analyze.fip值是否为1，若不是，改成1打开SPM：在matlab命令窗口输入“spm"回车后出现下面窗口，按黄色长方形覆盖的按钮，方可打开SPM软件（或者直接输入spm fmri即可打开）左上角的窗口代表按钮窗口，用以对数据进行处理分析；左下方的窗口为输入窗口，右边的窗口为图形窗口，用以显示图像结果图像格式转换：1.点选按钮窗口中Tool boxes菜单中的Dicom选项2.在弹出对话框中选择所有*IMA文件，点done 3.转换完毕，删除原文件夹下的*IMA数据 4.结果将在该文件夹下生成三个*.img/hdr/mat 文件5.结束图像格式转换方法二：用MRIcro软件进行格式转换（1）单击convert foreign toanalyze(2)出现第二个窗口，将左边的数据填完后，单击箭头所指“选择”选择所要转换的文件夹后，单击确定即可生成两个文件"*i.img/hdr" 。
脑电信号的分析与处理
脑电信号的分析与处理脑电信号是指在人体脑部产生的电信号，其频率通常处于1-100Hz的范围内。
脑电信号可以反映人类的认知和情感状况，因此在神经科学、医学和心理学等领域有着广泛的应用。
本文将介绍脑电信号的分析与处理方法。
一、脑电信号的采集脑电信号的采集需要使用脑电图仪。
脑电图仪通过电极将脑电信号采集下来，然后将信号数字化进行储存和分析。
脑电图的电极需要放置在头皮上，此过程需要专业人员进行操作，以确保采集到真实可靠的脑电信号。
二、脑电信号的处理脑电信号采集后，需要进行去噪和滤波处理，在[1, 45]Hz范围内使用带通滤波器去除不必要的信号。
除此之外，由于噪声打乱了脑电信号的结构，使得脑电信号无法被恰当地分析和解释。
因此，使用信号处理技术去除采集过程中产生的噪声非常重要。
一般的去噪方法包括小波去噪、谱减法和滑动平均等。
三、脑电信号的特征提取分析脑电信号的一般方法是提取其时间和频率特征。
脑电信号的时间特征包括幅值、频率、相位、斜率和波形等，而频率特征则包括频域特征和时频域特征。
通过提取脑电信号的特征，可以获得有关脑电信号活动的更为详细的信息，从而在医学和心理学等领域中得到广泛应用。
例如，可以通过分析脑电信号活动来确定患者是否处于睡眠状态，以及其睡眠质量和睡眠障碍的类型、程度和原因等。
四、脑电信号的分类和识别脑电信号分类和识别是脑电信号分析的另一重要方向。
其主要目标是根据脑电信号的不同特征及其变化，对不同类别的脑电信号进行识别和分类。
这一方向在神经科学研究、人机交互和脑机接口等领域中应用广泛。
例如，可以利用脑电信号分析技术，开发控制外骨骼和假肢等的脑机接口，从而帮助残疾人重获运动能力。
五、脑电信号的研究进展和展望随着技术的不断发展和应用领域的不断拓展，脑电信号分析和处理的研究取得了越来越大的进展。
例如，在深度学习、人工智能和机器学习等方向上的应用，大大提高了脑电信号识别和分类的精度和效率。
同时，随着脑电信号采集技术、数据采集和分析软件的发展，未来脑电信号的分析和处理将会更加精确和高效。
python脑电数据处理中文手册
python脑电数据处理中文手册Python脑电数据处理中文手册概述：本手册将会介绍如何使用Python处理脑电数据。
Python是一种非常流行的编程语言，它具有优秀的数据处理和可视化功能。
在脑电数据处理中，我们主要使用Python生态系统中的NumPy、SciPy、Matplotlib 和MNE-Python模块。
通过阅读本手册，您将了解到如何使用这些模块来处理和分析脑电数据。
1. NumPy模块NumPy是一个用Python语言编写的扩展程序库。
它是Python科学计算的核心库，主要用于处理与数学相关的大型数据集。
在脑电数据处理中，NumPy主要用于处理和存储脑电数据。
以下是NumPy的一些基本操作：1.1 创建数组我们可以使用NumPy的array()函数创建一个多维数组。
例如，创建一个形状为(2,3)的二维数组：import numpy as nparray = np.array([[1,2,3], [4,5,6]])print(array)结果输出：[[1 2 3][4 5 6]]1.2 数组操作NumPy提供了很多对数组的操作。
我们可以使用numpy.ndarray.shape 属性获取数组的形状。
例如，获取数组array的形状：import numpy as nparray = np.array([[1,2,3], [4,5,6]])print(array.shape)结果输出：(2, 3)1.3 数组索引和切片我们可以使用NumPy的索引和切片功能来访问数组中的元素。
例如，访问数组中的第一个元素：import numpy as nparray = np.array([[1,2,3], [4,5,6]])print(array[0,0])结果输出：12. SciPy模块SciPy是一个用于科学计算的Python库。
它包含了大量科学计算中常用的函数和工具。
在脑电数据处理中，SciPy主要用于信号处理和拟合。
脑电波仪工作原理
脑电波仪工作原理在脑科学研究和临床应用中，脑电波仪是一种常用的实验设备。
它通过测量头皮上的电活动，可以记录脑电图（EEG）信号。
脑电波仪的工作原理基于一系列复杂的技术和原理，本文将从硬件、信号采集、预处理和数据分析四个方面介绍脑电波仪的工作原理。
一、硬件脑电波仪由多个部分组成，包括电极、放大器和记录设备。
电极是负责接触头皮并记录脑电信号的部件，放大器负责放大脑电信号以便更好地分析，记录设备用于存储和处理脑电信号。
电极是脑电波仪最关键的部分，通常由银/氯化银材料制成，安装在头皮上以记录脑电信号。
电极与头部的接触通过使用导电胶体或电极帽来增强。
电极应具有良好的导电性和延展性，以确保准确和稳定的信号采集。
放大器是将微弱的脑电信号放大到可测量范围的设备。
放大器必须具备高放大增益、低噪声和宽带特性。
同时，为了最小化电源干扰和其他环境因素的影响，放大器还应具备滤波和屏蔽功能。
记录设备用于存储脑电信号以便后续的数据分析和处理。
现代脑电波仪通常采用数字方式记录信号，使用计算机、移动设备或专用设备将脑电信号保存为数字格式，便于分析和分享。
二、信号采集信号采集是脑电波仪的核心过程。
当电极与头部接触时，它们可以检测到脑部活动产生的微弱电信号。
这些信号通过放大器放大后经过模数转换器转换为数字信号，进而被记录设备储存。
脑电信号通常是微弱的，因此放大器必须具备高增益来放大信号。
此外，为了减少干扰，放大器还需要滤波功能，通过滤除不需要的频率成分来提高信号质量。
三、预处理脑电信号通常受到许多干扰因素影响，如肌肉运动、眼球活动和环境电磁干扰等。
为了提取有效的脑电信息，需要进行预处理步骤来滤除这些干扰。
预处理步骤通常包括滤波、伪迹去除和去除运动伪迹等。
滤波用于去除不需要的频率成分，以提高信号质量。
伪迹去除则通过对信号进行数学处理，将干扰信号滤除。
对于运动伪迹，可以使用陀螺仪和加速度计等设备来检测和校正。
四、数据分析在预处理后，脑电信号可以用于各种脑功能研究和临床评估。
多通道eeg特征提取算法和分类算法
多通道EEG（脑电图）特征提取算法和分类算法是神经信号处理的重要内容，主要应用于精神疾病的诊断和治疗等领域。
以下是对这两个方面的简要介绍：一、多通道EEG特征提取算法EEG信号的特征提取是指从EEG信号中提取有意义的信息，通常包括时间、频率、空间等多个维度。
特征提取算法主要通过信号处理技术来实现，如滤波、傅里叶变换、小波变换等。
具体步骤如下：1. 数据预处理：对原始EEG信号进行去噪、放大、滤波等处理，以提高信号质量。
2. 特征提取：采用各种信号处理方法，如功率谱、自相关函数、短时傅里叶变换等，从EEG 信号中提取各种特征，如频率成分、功率谱分布、时间序列等。
3. 特征选择：根据实际应用需求，选择与目标任务相关的特征，去除冗余或无关的特征。
常用的EEG特征提取算法包括基于小波变换的特征提取算法、基于独立成分分析的特征提取算法等。
小波变换能够有效地提取EEG信号中的时间-频率信息，而独立成分分析则可以分离出EEG信号中的各种成分，如基底节律、高频噪声等。
二、多通道EEG分类算法分类算法是用于将EEG信号分类到不同类别的算法，常用的分类算法包括支持向量机（SVM）、神经网络（NN）、决策树等。
分类算法的流程如下：1. 数据准备：对EEG特征进行选择和标准化处理，建立训练和测试集。
2. 模型建立：根据所选分类算法，建立相应的模型，并进行参数优化。
3. 模型训练：使用训练集对模型进行训练，得到分类器。
4. 分类预测：使用测试集对分类器进行测试，评估分类器的性能。
常用的多通道EEG分类算法包括基于深度学习的分类算法、基于SVM的分类算法等。
深度学习算法能够自动学习EEG信号中的特征，具有较高的分类准确率。
SVM算法则可以通过核函数将高维的EEG特征映射到低维空间，实现分类任务。
总之，多通道EEG特征提取算法和分类算法在精神疾病的诊断和治疗中具有重要意义。
通过提取有效的特征和建立准确的分类器，可以提高诊断和治疗的效果和准确性。
脑电信号处理算法设计及性能评估
脑电信号处理算法设计及性能评估脑电信号（electroencephalogram，EEG）是一种记录脑活动的电信号，通过将电极放置在头皮表面，测量大脑神经元的电活动来获取。
脑电信号处理算法的设计和性能评估是神经科学、脑机接口和临床医学研究领域的重要任务。
本文将探讨脑电信号处理算法的设计原理，以及如何评估其性能。
脑电信号具有时变性、非线性和噪声干扰等特点，因此在处理脑电信号时需要运用一系列的算法来提取有用的信息。
首先，脑电信号需要进行预处理，包括去除噪声、滤波和信号增益等步骤。
预处理的目标是提高信号质量，减少噪声的影响。
接下来，脑电信号需要进行特征提取。
特征提取旨在从原始信号中提取出代表脑活动特征的信息。
常用的特征包括能量、功率谱密度、时频分析和相干性等。
这些特征可以帮助研究人员了解不同的脑活动模式和脑区之间的关系。
特征提取完成后，下一步是脑电信号分类和识别。
脑电信号的分类和识别是将脑电信号映射到特定的脑活动模式或功能状态的过程。
常用的分类和识别方法包括监督学习和无监督学习。
监督学习利用已知标签的数据来训练算法，无监督学习则将脑电信号根据相似性进行聚类。
这些方法可以帮助我们理解脑电信号中不同波形和频率的含义，从而为神经科学提供更深入的认识。
在脑电信号处理算法设计完成后，我们需要对其性能进行评估。
性能评估的目的是衡量算法在处理脑电信号时的准确性和可靠性。
主要的性能评估指标包括准确率、召回率、精确度、F1得分等。
此外，还可以使用混淆矩阵和ROC曲线来可视化算法的性能。
通过评估算法的性能，我们可以确定其适用性和可靠性，并对其进行改进和优化。
除了性能评估，其他因素也需要考虑到脑电信号处理算法的设计中。
例如，算法的复杂度、实时性、可扩展性和可重复性等。
复杂度衡量了算法在计算资源和时间方面的要求。
实时性是指算法在准实时或实时系统中的执行速度。
可扩展性是指算法在处理大规模数据集时的表现。
可重复性则是指算法在不同数据集上的一致性。
Curry7脑电数据处理
如何处理脑电数据并保存峰值数据（以N170为例）1. 打开原始数据dat文件。
2. 滤波filter parameters选择user defined(Auto)，只滤低通low pass（勾掉high pass）, slope 8, 30Hz。
3. 基线矫正baseline block（去除直线漂移）。
选constant可以自动进行。
4. 去眼电artifact reduction。
在methods中选择threshold（选择去眼电的方法），上下正负200，VEO；事件前后-200，250，450（取trigger前多少ms作基线，trigger后时间一般多一点，具体可以参考前人文献），选covar。
在之前选眼电的地方去除bad block：-100，100，all5. 重参考channel group。
选car（全脑平均），不过这一步一般是默认选好的。
5. 同种条件下所有试次取平均epoch/average。
type 1. 倒立面孔2. 正立面孔3. 倒立建筑4. 正立建筑5. 靶刺激（13对比，24对比）在1中添加type1，2中添加type2，以此类推，添加完四个type，点击下方的average，即开始将所有trial平均。
平均之后拖动图像下方左右滑块可以查看不同type的平均后图像。
6. 划分要分析的时间段option，存储峰值、潜伏期等数据。
去掉trekking modstart150 , end200 , cursor170，勾选minimum在功能状态栏里面选function-save...-save peaks（这个是保存一个type中的txt数据，之后可以再左右拖滑块更换type进行保存）。
如何对多人脑电数据取平均并进行不同条件（type）下的波形对比作图1. 打开curry，file-database-new（建立新的数据库）。
2. 在建好的数据库下点击add experiment，如图。
脑电数据预处理的目的和注意事项
脑电数据预处理的目的和注意事项以脑电数据预处理的目的和注意事项为标题，写一篇文章。
脑电数据预处理是脑电信号研究中的重要环节，其目的是为了消除脑电信号中的噪声、提取有效信息，并使得数据能够适用于后续的分析和研究。
本文将介绍脑电数据预处理的目的和一些需要注意的事项。
脑电信号是人脑活动的电生理表现，通过电极将头皮上的电位变化转化为电压信号。
然而，由于多种原因，脑电信号常常受到各种干扰，如肌电干扰、眼电干扰、电极伪影等。
因此，脑电数据预处理是必不可少的步骤。
脑电数据预处理的目的之一是去除噪声。
脑电信号常常受到来自周围环境的干扰，如电源线的交流干扰、电磁干扰等。
去除这些噪声，可以提高信号质量，使得后续的分析更加准确可靠。
脑电数据预处理还可以去除生理干扰。
肌电干扰是指由于肌肉活动引起的电位变化，常常会混入脑电信号中。
通过滤波和降噪算法，可以将肌电干扰从脑电信号中剔除，提高信号的纯度。
脑电数据预处理还可以进行信号增强和特征提取。
通过滤波、放大和增益调整等操作，可以增强脑电信号的强度，使得微弱的信号能够被检测到。
同时，根据研究的需要，可以提取脑电信号的各种特征，如频谱特征、时域特征等，用于后续的信号分析和模型建立。
在进行脑电数据预处理时，需要注意以下几个事项：选择合适的滤波器。
滤波器是脑电数据预处理中常用的工具，可以用于去除噪声和干扰。
根据信号的频率特性和研究的需求，选择合适的滤波器类型和参数是非常重要的。
常用的滤波器有低通滤波器、高通滤波器和带通滤波器等。
要注意信号的伪影问题。
脑电信号采集过程中，电极与头皮之间存在接触电阻，会导致信号失真。
因此，在进行脑电数据预处理时，需要进行电极伪影校正，以获得准确的脑电信号。
还要注意数据的标定和校准。
脑电数据采集设备在使用前需要进行标定和校准，以保证信号的准确性和可比性。
标定是指确定脑电信号与实际生理活动之间的关系，校准是指对脑电信号进行修正和调整，使其符合统一的标准。
还需要注意数据的去伪追踪。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
1）脑电预览。
首先要观察被试脑电基本特征，然后剔除原始信号中一些典型
的干扰噪声、肌肉运动等所产生的十分明显的波形漂移数据。
2）眼电去除。
使用伪迹校正(correction)的方法，即从采集的EEG 信号中减去受眼电(EOG)伪迹影响的部分。
首先寻找眼电的最大绝对值，用最大值的百分数来定义EOG 伪迹。
接着构建平均伪迹，将超过EOG 最大值某个百分比（如10%）的眼电导联电位识别为EOG 脉冲，对识别的EOG 脉冲进行平均，由协方差估计公式(2-1)计算平均EOG 脉冲和其它电极之间的EEG 的传递系数b:
b=cov(EOG, EEG)/var(EOG) (2-1)
其中cov 表示协方差(covariance)，var 表示方差(variance)。
最后根据公式（2-2）对受眼动影响的电极在产生眼动的时间段的波形进行校正，点对点地用EEG 减去EOG：
corrected EEG=original EEG-b×EOG (2-2)
实验中设置最小眨眼次数为20 次，眨眼持续时间400ms。
3）事件提取与脑电分段。
ERP 是基于事件（刺激）的诱发脑电，所以不同刺激诱发的ERP 应该分别处理。
在听觉认知实验中，多种类型的刺激会重复呈现，而把同种刺激诱发的脑电数据提取出来的过程叫做事件提取。
这样，连续的脑电数据就会根据刺激事件为标准划分为若干段等长数据。
以实验刺激出现的起始点为0 时刻点，根据实验出现的事件对应的事件码，将脑电数据划分成许多个数据段，每段为刺激前100ms 到刺激后600ms。
对每个试次（一个刺激以及相应的一段加工过程）提取一段同样长度的数据段。
4）基线校正。
此步骤用于消除自发脑电活动导致的脑电噪声，以0 时刻点前的数据作为基线，假设0 时刻点前的脑电信号代表接收刺激时的自发脑电，用0时刻点后的数据减去0 时刻点前的各点数据的平均值，可以消除部分的自发脑电噪声。
从而使得经过基线校正后的脑电数据从偏向横轴的某一侧变成围绕横轴上下波动。
5）伪迹去除。
此步骤用于去除肌电伪迹等高频干扰以及高波幅的慢电位伪迹，自适应伪迹去除算法的初始阈值设置为70μ，每次剔除脑电段数若大于全部试次的20%则以5μV 的步长向上提升阈值重新进行剔除，直到150μV 为止。
自适应的阈值是为了使被剔除的试次在每个被试中都不超过20%，避免了固定阈值情况下由于不同被试脑电波幅差异而导致某些被试的正常脑电波被作为伪迹剔除掉。
6）转换参考。
将参考电极转换成乳突参考电极M1、M2 的平均参考。
本研究的预处理实验中没有采取常规ERP 实验中的叠加平均及数字滤波步骤。
由于时域平均会直接把很多非锁相位信息给消除掉，不利于后续小波相干的计算，因此没有进行叠加平均。
不采用数字滤波的原因是，后续研究中信号作小波变换后可以提取频率49Hz 以下的小波系数作为特征，小波变换此时也起到了带通滤波器的作用，故数字滤波就没有必要执行。
连续小波变换算法基本步骤：
1）首先选定初始小波基函数，对齐所选择的小波函数和待分析的信号的起点；
2）计算此时刻的小波变换系数C；
3）沿时间轴将小波函数中心位置向下一时刻（时间单位b）移动，然后重复步骤(1-2)，最终求出进行时移后的小波变换系数C。
继续移动小波函数并运算，直到覆盖完整个待分析的信号的长度；
4）对所选的小波函数进行伸缩，时间宽度缩减一个单位a，重复步骤(1-2)；
5）对所有的尺度重复步骤(1-4)。
根据上述运算，得到不同尺度及在不同的时间段的全部系数，表征了原始信号在这组小波上所投影的大小，可以以图像的方式直观地展示计算得到的结果。
阈值的选取：
（1）首先选取一个合适的阈值，将阈值从1开始按步长慢慢减小，使之能保证网络的连通性，通过这个方法可以找到某个确定的阈值。
（2）代替数据法确定阈值法，通过相位置乱得到替代数据，使该替代数据与原始数据具有相同的功率谱。
（3）采用多个阈值，并分析多个阈值下的脑网络拓扑特征。
脑网络构建步骤：
（1）网络中节点的选择。
一般来说，在EEG 网络中，选取通道做节点。
（2）边的定义。
一般根据脑网络中一些常用指标作为度量节点之间关联关系的系数，根据合适的关联强度得到关联矩阵。
常用指标有互信息，相干性，同步似然性等。
（3）将步骤2 中得到的关联矩阵选取合适的阈值，将其转化为二值矩阵，也就得到了节点之间连边的关系。
C 表示中央区域（central），F 表示额头区域（frontal），FP 表示额头点击（frontal pole），P 表示头顶区域（parietal），T 表示颞叶区（temporal）。
数字代表左右侧，即奇数代表左侧，偶数代表右侧。
数据预处理：第一，REST 参考转换。
第二，低通滤波。
第三，去除眼电伪迹。
第四，数据叠加平均。
ERP 源定位：EEG 信号预处理后选取了每段数据的100ms 到450ms 之间的数据作为ERP 源定位分析的最优数据段采用的是最小模算法（MN）来进行皮层源估计选取的头模型是标准的MNI 头模型。
DCM网络分析：根据上一模块中MN算法对4种条件下的EEG信号作逆问题求解并得到相应源定位结果，并把这些激活的脑区中心MNI位置作为脑网络节点来进行随后的DCM网络分析。
DCM利用上述脑网络节点（激活脑区）进行皮层脑网络构建。
统计检验：做了配对T检验统计分析，在同侧条件（同Left或Right）下分别比较网络之间的显著性差异；在异侧条件下（同go或nogo）下分别比较网络之间的显著性差异。