取消
NMSBA标志子

脑电图的信号与噪声分析

什么是信噪比,为什么我们应该关心?

脑电图(EEG)是神经营销学研究中观察大脑活动的关键技术之一. 与其他方法相比, 它是精确的:测量大脑状态在数千秒内发生的变化, 字面意思是“思考的速度”. 这一比例也相对较低 成本和易于使用. 然而,使用脑电图也不是完全没有障碍的. 脑电信号的信噪比是脑电信号采集和分析中最重要的方法之一. 本文简要介绍了信噪比的来源, 为什么它很重要, 它如何被还原, 以及买家需要知道什么,以便了解他们的研究中如何处理信噪比

阅读时间:10分钟

录音

什么是信噪比? 最好的解释是,它是“你想在分析中测量的一切”与“脑电图信号捕捉到的一切”的比值.“这种噪声是一个问题,因为脑电图信号中有两种主要的噪声来源. 第一个是一般的背景噪音,来自于大脑之外. 第二种是源于我们大脑内部的自然噪音,因为我们的大脑总是忙于同时做很多事情, 不仅仅是你想在亚博IM电竞网址中关注的某一方面. 所有这些活动都会污染脑电图信号.

污染噪音的来源

让我们先检查一下外部噪声. EEG技术的挑战之一是大脑产生的电活动非常微小, 在百万分之一伏特的量级上. 因此, 头皮上记录的电活动由真实的大脑信号和大量的噪音(被称为人为干扰)组成,这些噪音是由身体的其他部位产生的, 比如心脏活动, 眼球运动和眨眼, 其他面部肌肉运动, 等.它产生的电信号大约是大脑产生的电信号的100倍. 因此,任何脑电图数据分析的初始任务都是去除伪影, 是什么将这些信号与大脑自身发出的信号分开.

外部噪声的另一个来源是记录脑电图数据的环境. 这种环境噪声最常见的来源是任何有电线的房间的环境电流, 50hz或60hz(根据你在哪个国家, 以及靠近脑电图传感器的任何其他电子设备. 这些信号通常用陷波滤波器从脑电图记录中去除,陷波滤波器消除特定频率的信号.

内部噪音则更为棘手. 这是因为我们的大脑在任何时候都在进行许多不同的活动, 每一种活动都会产生电活动,这些电活动与头皮上的脑电图传感器采集到的整体信号混合在一起. 活动总是在大脑各处发生,这一事实使问题复杂化, 在头皮附近的皮层表面和大脑深处的结构中都有, 并通过许多不同的方式到达头皮. 在一项特定的研究中,将所有这些信号集中在一个特定的感兴趣的信号上是一个主要的挑战,这通常是通过控制重复和平均原则来解决的.

为什么这很重要?

如果脑电图分析中的信号没有与周围的噪声(包括外部和内部噪声)正确地分离开来,那么结果很可能是不正确的,并且具有高度的误导性. 似乎有一种特定的反应正在发生, 但如果你没有明确地校正信噪比, 这种回应基本上毫无意义.

提高信噪比

控制信噪比的措施包括两种:消除外部噪声源和将内部噪声从感兴趣的信号中分离出来. 如果可能的话,应对外部噪音的最好方法就是在一开始就避免它. 消除设备噪音, 最好使用高质量的设备和电极(例如, 大多数干电极是无用的,因为他们是非常敏感的外部噪音)和消除任何电磁噪声源, 如电缆, 手机, 笔记本电脑, 电脑显示器, 等. 从记录区. 与消除被试者自己产生的噪音相比,这是相对容易的. 要求参与者坐着不动是一种常见的做法, 但基本上不可能阻止所有的眨眼或面部肌肉运动.

这个问题通常可以通过一个智能的实验协议来解决, 哪一种方法可以让参与者集中注意力,专注于手头的任务,从而将大脑内部的噪音降至最低, 同时还提供频繁的休息,让参与者可以在实验任务之间周期性地扭动和眨眼. 训练有素的脑电图技术人员也可以通过让参与者感到舒适和放松来帮助他们, 专业的数据采集氛围.

在数据被记录之后, 在所谓的后处理中, 先进的统计算法通常用于识别和去除主题相关的噪声,如运动伪影, 眼睛眨眼和肌肉紧张的原始脑电图信号. 例如, 机器亚博IM电竞网址算法可以识别与外部或内部噪声相关的信号模式,并将这些信号从感兴趣的大脑信号中分离出来. 一组称为盲信号分离(BSS)算法的统计技术经常被用于执行这一任务, 通常被直接内置到脑电图分析软件中, 既有商业的,也有开源的. 这些技术通常伴随着手工清洁, 在此期间,脑电图专家可视地检查信号,并用手去除伪影和噪声部分.

ERP:平均结果

处理内部噪声的主要技术是重复和平均. 这可以用一个被称为事件相关电位(ERP)分析的脑电图分析子类来最好地说明, 这是许多神经营销脑电图研究中常用的方法. ERP是脑电图中的一个信号,它揭示了大脑是如何处理信息的. 该信号可以通过将脑电图记录与事件的开始时间锁定来获得, 说一个词或图像的表达.

重复和平均在ERP研究中被用来从其他大脑活动的噪音中分离出感兴趣的信号. 潜在的假设是,刺激事件触发的信号在多次试验中会保持相对恒定, 而所有其他的信号将随机出现在试验中. 因此, 如果你对一个或更多的人进行多次试验,一次又一次地暴露在相同的刺激事件中, 这个信号将继续突出,因为它不是随机分布的, 但噪音的平均值会趋于零, 这样实际上就从平均值中消失了,让你想要研究的信号脱颖而出.

如果你确信你样本中的所有人都是相似的, 你可以将他们各自的平均值相加,得出所谓的总平均值. 这是使用ERP技术的学术文章中经常报道的.

SNR:神经营销买家应该知道的

以下是一些客户可以也应该问的问题,以便更好地理解他们的神经营销供应商是如何解决信噪比问题的.

1. 在我的研究中,什么程序被用于工件校正和“数据清理”? 有很多方法可用, 你的供应商应该能够描述一个详细的“预处理链”,用于发现和去除原始脑电图数据中的噪声干扰.

2. 用什么程序来评估所获得结果的统计意义? 仅仅介绍结果是不够的, 重要的是要说明观测结果与可能由随机噪声和偶然性引起的随机波动所产生的结果之间的“距离”.

3. 你的程序可以参考已发表的论文来证实吗? 如果有任何供应商声称拥有非基于已发表研究的“专有算法”,请保持怀疑. 在这个领域里,成千上万的研究人员在成千上万的实验室里进行了几十年的研究, 商业供应商不太可能发现该领域其他所有人都没有发现的新东西.

使用的术语和缩写

脑电图(脑电图, 通过放置在头皮上的电极测量大脑持续的电活动

ERP = event related potential; a signal within the EEG which reveals more information about information processing in the brain. 该信号可以通过将脑电图记录时间锁定到事件发生的时间来获得

SNR = signal-to-noise ratio; the ratio between “what you would like to measure” and “all the other things”

伪影校正(伪影校正)是部分自动化和部分手动的过程,它将大脑信号与电子记录中显示的其他信号分开

Machine learning algorithms = a branch of artificial intelligence that studies the construction and study of systems that can learn from data; essential tools for classification.

参考文献

本文简要介绍了脑电图的信噪比问题, 没有太多的技术细节. 如果你想了解更多,请参考以下资源:

爆炸J W, 崔J S, 关键词:脑电波,脑电信号,前视成像,噪声抑制,脑电信号. 传感器13:6272 - 6294.

关键词:脑电,眼伪影,图像处理,脑电信号. Neurophysiologie 倩碧 30(1):5-19.

Delorme A, Makeig S (2004) EEG实验室:一个用于分析单次试验脑电图动力学的开源工具箱. 神经科学方法杂志134:9-21.

Delorme A, Sejnowski T, Makeig S(2007)改进了从EEG数据中剔除伪影的方法 高阶 统计和独立成分分析. 神经影像学34 (4):1443 - 1449.

Dien J (2010) ERP PCA工具包:一个用于高级统计分析的开源程序 eventrelated 潜在的数据. 神经系统科学学报,18 (1):398 - 398.

Goldenholz D M, Ahlfors S P Hämäläinen M, 莎朗·D, Ishitobi米, Vaina L M, 脑磁图和脑电图中皮层源的信噪比映射. 人类大脑绘图30:1077-1086.

Krishnaveni V, Jayaraman年代, Gunasekaran一, Ramadoss K(2006)利用JADE算法和神经网络自动去除眼部伪影. 中国生物医学工程学报2(1):10-21.

李Y, 马Z, 陆W, 李勇(2006)基于ica的脑电眨眼伪影自动去除方法. 生理测量27 (4):425 - 36.

《亚博IM电竞网址》. 剑桥麻省理工学院出版社.

Olkkonen H, Pesola P, Olkkonen J T, Valjakka一, Tuomisto L(2002)基于小波分解的子空间脑电图噪声消除方法. 医学科学监察8(11):MT199-204.

Repovš G(2010)脑电信号记录与数据分析中的噪声处理. Informatica》 Slovenica 15(1):18-25.

本文(文字及图片内容)受版权保护. 仅供教学用途. 更多信息:神经营销学 & 商业协会.