文摘

我们描述一组互补的脑电图数据收集和处理工具施瓦茨中心最近开发的计算神经科学(SCCN)连接和扩展EEGLAB软件环境,免费且容易扩展处理Matlab环境下运行。新工具包括(1)一个新的框架和灵活的EEGLAB研究设计机构和对来自多个科目的数据进行统计分析;(2)neuroelectromagnetic向前头建模工具箱(非功能性测试)来构建现实的电气主管从可用数据模型;(3)源信息流工具箱(筛选)建模正在进行或与事件相关的皮质之间的有效连接;(4)BCILAB工具箱构建在线脑机接口(BCI)从数据模型,和(5)实验实时交互控制和分析(ERICA)实时生产和环境的协调互动,多通道实验。

1。介绍

各种各样的新的信号处理方法已经应用于脑电图信号处理在过去十五年(1]。这些需要新工具新方法允许常规脑电图数据的处理,以及多通道使用收集的数据分析成为可能比先前的分析方法允许更复杂的实验设计。这里我们总结一套新工具设计使得非营利组织免费使用和集成的EEGLAB软件环境(2)、交互式图形界面菜单和命令行处理电生理数据基于脚本环境。自2001年推出以来,EEGLAB已成为广泛使用的生物物理数据处理平台和分享新的信号处理方法。最近,我们引入了大量的新EEGLAB-associated工具箱:非功能性测试,neuroelectromagnetic向前头建模工具箱(3)是一种新的电脑袋建模工具箱,一个基本电生理源定位的第一步。筛选,一个源信息流工具箱,允许用户应用广泛的最近发表的评估方法之间的有效连接脑电图信号包括准独立来源的脑电图活动。最后,艾丽卡框架,由Datariver, Matriver,制片人工具箱,可互操作的BCILAB工具箱管理实时同步和在线处理脑电图和其他多通道的数据流。艾丽卡还处理反馈,并提供适当的感官刺激参与者(s)和/或控制系统操作(4]。

图1描绘了新的工具箱如何相互作用并可能连接到一个分布式数据归档环境(在这里,提出HeadIT数据和工具资源(5])。表1斯沃茨的列出了组件计算神经科学研究中心的软件套件(SCCN)。注意,我们指定的“EEGLAB插件”功能,工具包,或更多的组织和雄心勃勃的项目,如全面运作和独立的工具箱或信号处理工具箱使用EEGLAB数据结构和习俗。在这篇文章中,我们将通过“框架”任何分组的工具或工具箱通用代码提供通用的功能,用户可以选择性地覆盖或专业代码来提供自定义功能。比如艾丽卡是一个框架围绕“数据河”的概念,包括客户端和服务器实现这个概念。

表1
组件的扩展SCCN软件套件。

图1
完整的电生理实验控制、数据收集、分析、存档、和荟萃分析套件:EEGLAB环境数据分析;艾丽卡框架数据记录、在线分析、和刺激控制;在线和离线分类和BCI的BCILAB工具箱;筛选工具箱信息流建模;HeadIT,归档数据和工具资源在开发实验室或档案数据存储、检索和分析;虚线表示计划在建的接口。

2。EEGLAB

EEGLAB显是一个互动的菜单和脚本基于电生理数据处理软件Matlab编程脚本解释环境下(2]。EEGLAB提供了一个交互式图形用户界面允许用户灵活和交互过程高密度电生理数据(几百的通道)和/或其他大脑动态时间序列数据。EEGLAB实现常见的脑电图仪的数据分析方法包括独立分量分析(ICA)和时间/频率分析。EEGLAB已成为一种广泛使用的应用和共享平台为生物物理信号处理新技术。至少28插件已经实现和发布的用户组。这里我们用脑电图软件interoperative EEGLAB描述最近的进展。一些新工具Matlab应用程序方便地插入到EEGLAB菜单(或者也可以作为独立的应用程序运行)。

关键EEGLAB特性包括(1)进口的事件结构和功能,编辑和操纵事件信息。用户可以选择(子)时代寿命及其类型的事件和可以试验可视化基于值在任何事件字段(例如,受试者的反应时间),(2)独立分量分析(ICA)分解的脑电图仪的数据6]。尽管ICA数据分析方法已经被纳入大多数商业软件处理脑电图数据(BrainVision Neuroscan,白沙),EEGLAB最广泛的处理和数据的评估工具,ICA)数据分析,(3)准备好适应性与不同级别的用户编程的复杂性。EEGLAB独特的“历史”功能构建脚本当用户导航菜单,允许用户“回放”,各有不同,或扩展其数据处理通过轻松构建Matlab脚本。用户可以只与EEGLAB交互图形界面,直接从Matlab命令行调用EEGLAB函数,或编写自己的Matlab脚本使用模块化EEGLAB功能和记录的数据结构,(4)一个真正开源哲学,允许任何研究员构建和发布插件功能或工具箱的EEGLAB菜单窗口会自动出现在他们的用户。这种结构确保稳定的核心代码,少数的专家用户修改,同时,允许简单的新算法和方法由其他用户。

EEGLAB包含超过400总计超过50000行编程的Matlab函数。第一次在Matlab v5.3在Linux上,EEGLAB目前运行在所有版本的Matlab v7上运行Linux, Unix、Windows和Mac OSX。由于Matlab程序本身并不是免费的,我们还使用了Matlab编译器来编译EEGLAB对于那些用户没有访问Matlab。据我们所知,28日用户发起的EEGLAB插件开发并提供。在线EEGLAB教程包含超过300页的文档。此外,400年的每个独立的模块化EEGLAB函数包含自己的文档。EEGLAB已经被下载超过65000次从88年自2003年以来国家域名。截至2010年4月,9218个独特的选择用户目前EEGLAB邮件列表。

3所示。EEGLAB研究。设计框架

2010年6月的EEGLAB STUDY.design概念引入EEGLAB v9。复杂与事件相关的实验通常包括许多不同类型的事件。统计对比脑电图活动时间锁定这些事件类型需要不同子集的研究人员能够独立变量的自定义设置不同的相同的数据统计处理。新的STUDY.design框架在EEGLAB允许用户自由定义独立和相关的变量和数据通道或独立分量分析(IC)活动主题使用的意思是与事件相关电位(ERP),功率谱,与事件相关的光谱摄动(ERSP) [7],intertrial一致性(ITC) (8]措施任意数量的组与事件相关的数据试验时间锁定不同的事件,每组试验称为“条件”的一项研究。

例如,一项研究可能包含两个条件从两组数据集(一个主题 2 × 2 (条件、组)统计设计)。统计比较可能有针对性的看条件和组的主效应和交互设计,或在选择之间的对比( 1 × 2 )对条件或组。图2显示了EEGLAB STUDY.design图形界面,用户可以创建新的设计和选择独立变量包含在其中。


图2
EEGLAB研究设计接口使用教程研究数据可以通过EEGLAB wiki (http://sccn.ucsd.edu/wiki/eeglab)。顶部的三个按钮可以用来添加一个新的设计(“添加设计”),重命名一个设计(“重命名设计”),或删除一个设计(“删除设计”)。“独立变量1”帮助定义独立的变量列表。独立变量的列表自动生成基于研究信息和个人数据集定义事件类型。对于给定的独立变量,也可以选择一个子集的值或合并一些值。例如,在这个例子中,用户选择“忽略”和“记忆”刺激作为独立变量的值“条件”。“主题”列表包含研究对象包含在一个特定的设计。取消选择一个给定的主题从列表中不包括他/她从内进一步数据分析设计。措施,包括erp,一旦选择一个设计,意味着光谱或与事件相关的谱扰动(ERSP)可能策划。这里,我们策划了与事件相关的光谱干扰的一个独立的组件选择STUDY.design (IC)集群。 In the top right panel, the scalp maps of one IC cluster are shown—the large map representing the average scalp map. In the bottom right panel, mean cluster ERSPs are shown for Ignore versus Memorize letter trials, and their significant differences are assessed using permutation-based statistics and a false discovery rate method to correct for multiple comparisons.

建立一个研究设计涉及多个步骤。用户首先预处理二进制脑电图由专有脑电图记录软件生成的数据文件;对于每一个问题,这涉及到进口原始数据,点将零度、过滤和删除构件。一旦这些数据集已经预处理,用户不得不进口数据集到一个研究主题。创建一个研究设计进行分析然后允许统计组比较不同条件下数据的措施(例如,时间锁定特定事件类型)为每个主题。例如,在一个古怪的范式由试验时间锁定目标,错误选择,和标准刺激,用户可能希望使用对比这三种类型的试验 3 × 1 设计。或者,他们可能想要对比错误选择和目标stimulus-locked试验,考虑在一起,与标准刺激的反应。EEGLAB的研究设计特性允许用户轻松地调查这样的对比。在与N主题组织的一项研究中,研究设计方案还允许用户查看组为每个条件使用效果 2 × 设计。

上述设计理念可以实现在一个研究中使用多个STUDY.design规范。最后,使用多个设计也可能用于测试不同的信号处理选项。例如,人们可能会创建两个相同的研究设计,一个计算时间/频率测量使用快速傅里叶变换(FFT)和其他使用小波。一次计算,用户可以设计之间切换使用两种类型的比较结果时间/频率分解。

EEGLAB使用统计工具,包括代理和研究设计的参数数据进行假设检验。代理测试涉及引导或排列方法。根据设计的不同类型,统计假设检验使用 以及,单向方差分析或双向ANOVA-or替代数据情况进行配对数据或未配对数据设计。最后,错误发现率(罗斯福)算法应用于正确的多重比较(9]。使用这些简单而强大的统计工具,EEGLAB允许多个实验设计应用于给定数据的比较研究。

在处理来自多个科目的数据使用研究设计框架,用户可以分析IC,头皮频道,或其他类型的组件的活动与个人相关的主题。将数据分解到ICs允许包含本地化信息来源,因为许多ICs强烈类似于一个等效电流偶极子的投影,大概反映它们的起源在一个本地同步皮质补丁。neuroelectromagnetic向前头建模工具箱(非功能性测试)因此允许更精确的源定位IC过程对于每个主题使用向前subject-adapted电气模型。

4所示。Neuroelectromagnetic向前头建模工具箱(非功能性测试)

我们之前的研究表明,一些ICA组件头皮地形高度兼容紧凑皮质域的局部场同步可能是大脑的局部(1,10,11)使用four-shell球面模型或标准边界元法(BEM)头模型包含在EEGLAB Dipfit插件(http://sccn.ucsd.edu/wiki/A08 _DIPFIT)。当额外的主题信息是可用的,更精确的定位方法是可行的。获得准确的源定位需要使用一个实际的电子头模型,反映了实际的电气和头部的几何性质。非功能性测试增加了现实的头部建模框架提供的球形和MNI头模型已经在EEGLAB Dipfit。非功能性测试框架自动生成所需的大部分任务真实头模型从磁共振(MR)图像和/或从测量脑电图传感器坐标,并提供先进的边界元法(BEM)和有限元法(FEM)估计预期的解决者大脑头皮字段为一个给定的一组可能的来源地区,因此估计解决“转发”脑电图建模问题3]。

非功能性测试可以从EEGLAB图形界面作为EEGLAB插件。Matlab工具箱提供了一个命令行和图形用户界面从可用的主题信息,生成真实头模型和解决提出问题数值提供lead-field-matrix对于一个给定的源空间和传感器分布。这使它容易向前头模型由非功能性测试集成到任何逆源定位方法。

非功能性测试执行以下步骤:(1)分割的图像先生:如果一个3 d满头结构t - 1先生的形象主题的头,工具箱可以段头皮,颅骨、脑脊液和脑组织。(2)高质量的头部模型:数值解的准确性取决于一个逆源定位问题的底层网格模型的质量电导变化组织边界。非功能性测试可以创建高质量的曲面网格分割图像用于本先生头模型。有限元网格可能产生的本面网格使用开源Tetgen工具(12]。两个例子使用非功能性测试生成的有限元法和边界元网格图所示3。(3)扭曲一个模板头部模型:当使用一个主题满头先生形象的首选方法是生成一个真实头模型,这样一个形象可能并不总是可用的。非功能性测试可以生成一个头结构模型的受试者的头部翘曲的标准模板头部模型数字化三维电极坐标,当这些是可用的。(4)Coregistration电极位置的网:非功能性测试有两步(手动和自动)Coregistration函数将数字化头皮网状电极的位置。(5)准确和有效的提出问题的解决方案:非功能性测试使用高性能BEM和有限元实现开源METU-FP工具包(http://www.eee.metu.edu.tr/metu-fp)[13,14]bioelectromagnetic字段计算。

(一)
(一)
(b)
(b)
图3
的两个例子(a)的一组主题头边界元网格(建模头皮、颅骨、脑脊液(CSF)和皮层组织边界)和(b)的头部有限元体积相同主题的三维体素头皮、颅骨和脑组织中显示不同的颜色。

我们已经成功地使用了非功能性测试模型现实皮质源空间包括大量的偶极元素,我们假设是面向垂直于当地的皮质表面是海德从主题中提取图像使用完全嵌合FreeSurfer灰色和白色物质表面(15]。我们创建了一个多尺度皮质补丁的基础上在这个表面通过选择种子点(单体元偶极子),然后每个补丁形扩展到一组Gaussian-tapered补丁和地区范围~ 50 - 200毫米2(16]。非功能性测试因此可能允许精确源定位基于精确建模的集成电路过程电流流符合个人头解剖。

有限元建模是最近添加的非功能性测试(非功能性测试2.0)和patch-based源空间代将于2011年被纳入非功能性测试。在未来,非功能性测试模型也可以结合当前的模型基于白质分布信息提取的各向异性扩散张量/加权成像(DTI /驾车)头图片co-registered先生和结构图像。

5。使用筛选分析源信息流动态

曾经在特定的大脑区域活动已确定使用源分离(例如,ICA)和局部(例如,使用非功能性测试),可以寻找瞬态变化这些大脑不同来源的独立过程。先进的无创检测方法和建模分布式网络事件中包含高密度头皮脑电图数据分布式大脑活动的基础和临床研究的支持行为和经验。近年来,格兰杰因果关系(GC)及其扩展已经越来越多的被用于探索“有效”连接(信息流动,或因果关系)在大脑中主要基于观察正在进行或与事件相关的通道波形之间的关系。虽然许多具有里程碑意义的研究应用GC创记录的局部场电位和峰值列车,越来越多的研究已经成功地应用GC动物人类脑电图记录和审核了梅格数据(如布瑞斯勒和赛斯17])。

基于自回归(AR)模型的预测误差,一个过程(a)说Granger-cause另一个进程(B)如果过去值的过程,除了过去的B值的过程,有助于进程B的线性预测未来值超出过去可以通过使用单独的进程B值(18]。使用多变量自回归(兆乏也将在文献中称为VAR或MAR)模型,GC的概念已经扩展到任意数量的信号,其中可能包括大脑中源活动的集合。兆乏的使用这种方法,通过傅里叶变换系数矩阵,我们可以获得转让和谱密度矩阵(权力),和普通的多个部分的衔接手段,后者数量表达了两个渠道之间的相位相干性量减去后的部分相互作用,可以解释为一个线性组合的所有其他渠道。从这些量,我们可以推出二元的频域表示GC以及一些频域指标指示条件密切相关(多元)依赖格兰杰因果关系的定义(直接)等直接传递函数(dDTF DTF)和部分相干(PDC)执导。这些和相关评估人员描述网络动力学的不同方面,从而组成一套互补的工具MVAR-based连通性分析GC[行之有效的和可翻译的框架内19]。研究瞬态的因果动态不稳定现象,自适应兆乏(AMVAR)方法可以应用使用locally-stationary滑动窗口(20.)、卡尔曼滤波或光谱矩阵分解。这些方法可以用来探索finely-resolved时间和频率相关的动态指导信息流或神经源之间因果关系的认知信息处理。基线水平意义的因果影响通常是通过代理“相位随机化算法的修改(21]。这个和其他引导、排列和分析测试可以用来建立严格的置信区间估计连通性。更多细节在所有提到的方法可以找到(19]。

建模和可视化信息的筛选是一个工具箱之间流动的脑电图数据来源,可能是分离后数据(瞬间)最大限度地利用ICA独立进程。工具箱目前由四个模块组成,(1)数据预处理,(2)模型拟合和连通性评估,(3)统计分析,(4)可视化。第一个模块包含标准化的例程,将采样,消除长期趋势和其他标准的预处理步骤。第二个模块目前包括支持数自适应兆乏的建模方法。从拟合模型,用户可以选择估计谱,连贯性,和频域连接,选择从十五措施发表日期。第三代孕统计模块包括例程(phase-randomization和引导统计)措施,和分析统计数据部分相干导演,导演传递函数的措施。第四模块包含小说例程的交互式可视化信息流动动力学和用措施跨越时间,频率,解剖位置来源。一个图形用户界面允许方便地访问筛选数据处理管道。

筛选的一个关键方面是它侧重于评估和可视化多元有效连接在源域而不是头皮电极之间的信号。这将使我们能够实现更精细的空间定位的网络组件同时最小化广义体积产生的信号处理具有挑战性的混淆传导皮质来源(以及nonbrain来源)在头皮上的电极。筛选可能有助于找到瞬态、动态网络事件链空间静态组件过程(图4)。工具箱也可以用于有效的连通性分析和可视化的现象electrocorticographic (ECoG)数据,例如,识别信息的来源和方向流的发作和癫痫发作。

(一)
(一)
(b)
(b)
(c)
(c)
图4
使用筛选EEG-based大脑连通性分析和可视化。(a)一个交互式的时频网格显示θ(3 - 7赫兹)和三角洲快速瞬变脉冲群(1 - 3 Hz)乐队在错误信息流委员会估计使用直接定向传递函数(dDTF)之间的独立分量的一个子集(IC)来源。垂直的虚线表示错误的按钮按下的时间。调出显示了一个扩展的信息视图流从源/ 8和13日获得通过单击相应的网格单元。(b)几帧从一个交互式BrainMovie3D动画显示一个与事件相关的因果关系之间的θ乐队这些来源(200 ms(上)520年−,40岁和600 ms(底部)相对于一个错误的按钮按下)。球(节点)颜色和大小表示不对称率(红色:因果源,蓝色:因果水槽)和流出强度,分别IC。汽缸(边缘)颜色和大小表示连接强度。与事件相关的潜在的IC8(红、内侧),back-projected上级电极下面叠加每一帧(蓝色栏表示帧索引)。这表明网络解释经典的“错误消极”(白尾海雕)错误处理过程中观察到的现象。(c)从因果框架投影电影显示平均净因果流入(绿色)和因果流出(红色)θ乐队在每个大脑位置误差委员会在24个主题。注意重要的因果流出或接近前扣带皮层,认为是极度参与错误处理,期间和之后,白尾海雕的负峰。

虽然第一个测试版本的筛选包含许多流行MVAR-based有效的连接措施,我们正在将附加相位振幅耦合和转移熵措施。EEGLAB传统,工具箱的架构也设计成允许简单的用户社区的新方法。另一组分析模块,在开发中,还将包括在即将到来的第二次测试版本。这将承受clustering-based和贝叶斯技术获取与置信区间估计源领域连接在一个人口。上述分析框架允许探索脑电图源领域连接后使用EEGLAB和非功能性测试例程(ica源分离和定位。我们目前正在评估的相对适应性时不同的源分离算法结合MVAR-based连接算法,并将进一步发展相应的工具箱。在不久的将来,我们计划界面筛选BCILAB工具箱,下面讨论,希望这些方法应用在先进的在线脑机接口实时脑电图处理,应用认知监控和反馈。

6。实验实时交互控制和分析(ERICA)框架

为目的的实时数据采集和处理,我们已经开发了一个在线脑电图和多通道数据采集,处理,和互动反馈的环境,艾丽卡。脑电图数据进行实时处理软件应用程序要求,首先,组织处理的数据控制流到在线数据处理(例如,data-adaptive BCI或其他反馈)例程的输出,组合成同步数据流(比喻“数据河”),可用于控制或适应持续的刺激过程。实时同步不同的异步流可能很难在本地网络;艾丽卡框架的创意来自于一个高效和优雅的方式解决这些问题。

艾丽卡框架是基于一个独特的流数据管理和实时跨平台同步应用程序称为DataRiver由一个适应数据采集和刺激控制环境(22]。生产者软件DataRiver客户机控制刺激演示使用Variete以灵活的方式,一个原始的脚本语言。MatRiver,另一个DataRiver客户,允许直接读/写访问DataRiver数据流在Matlab的过程。

艾丽卡的中心应用程序驱动开发是移动大脑/身体的发展成像(手机域名)数据采集和分析方法23)——同时研究大脑是做什么(评估通过分布式脑电图源动力),什么是大脑感知(通过视听现场录音),大脑是控制(我们的行为评估的整体身体动作捕捉,眼睛跟踪,等等)在普通三维任务执行自然动力操作环境。

允许实时分析,数据流由单独的设备获得的第一个需要同步。这样的流,根据定义,异步的,即使在同一名义采样频率,因为他们获得独立的时钟在每个设备用于数据采集。此外,不同数据源的抽样率可能显著差异:在脑电图通常采样250赫兹到2000赫兹,视频,身体动作捕捉或主题的行为反应可能获得更低的采样率,和音频数据流在更高采样率。同步的目的,另一个重要的挑战是处理零星延迟引入设备采集、网络和操作系统缓冲区,以确保成本的数据样本的总体规律ms-level时间延迟。数据通过一个IP套接字连接,网络延迟可能是重要的,不断变化。最后,Windows或其他多任务操作系统引入了变量延迟异步流的处理多任务系统中,数据通常只有当相应的任务或处理程序被激活,而不是在第一个可用的数据。

DataRiver同步开发,试图解决这些问题。DataRiver是一个灵活和通用高精度同步引擎,提供一个强大的和接近实时的同步并发数据流。它被设计和测试的准确性比2毫秒,即使在不同的电脑上同步数据采集流(运行Windows、Unix、Linux或Mac OSX)在局域网或互联网子网。DataRiver应用程序接口几个硬件和服务器通常被视为DataRiver客户显示或流程数据。然而,每个DataRiver客户机也可以输出数据添加到“数据河”,所以严格的服务器和客户端不适用的概念。

艾丽卡框架的灵活性源自其模块化设计数据输出各种设备是由专门的设备驱动程序,每个数据流转换为与设备无关的流。然后将这些流实时合并,组合成一个“河”(因此得名DataRiver)。DataRiver设备驱动程序目前用于几种类型的输入设备和数据系统包括Biosemi脑电图,PhaseSpace和OptiTrack动作捕捉系统,眼球追踪器,Wii遥控器(任天堂公司)。这使的快速发展广泛的实验范式,可以针对不同的多通道实验或应用程序环境。数据从输入DataRiver数据流可用于实时记录的客户,在线数据处理,和/或提供反馈(s)被监控。DataRiver之间的实时数据交换集成支持一个或多个远程计算机连接到一个局域网(LAN),使分布式合作实验(图5)。新司机和在线数据处理应用程序可以很容易地添加到DataRiver满足进化研究的需要。


图5
艾丽卡的数据流包括两个独立的计算机运行DataRiver应用程序的一个实例。虚线表示控制信号。这里,使用Matlab计算机可视化执行MatRiver DataRiver客户机。

MatRiver MATLAB DataRiver客户机优化实时EEG数据处理,使用OpenGL-based缓冲和可视化仿真软件3 d工具箱(MathWorks公司)。MatRiver与DataRiver通过调用Windows操作系统下的二进制库函数。MatRiver允许在线性能共同脑电图的预处理步骤如渠道选择、渠道点将零度,频率滤波和线性空间滤波使用一个预定义的ICA分离源信号矩阵(6]。大多数时候,这些步骤可以完成在近乎实时的通过直接调用相关EEGLAB功能。MatRiver还包括例程动态检测“坏”频道和弥补他们考虑一个线性ICA源传播模型。预处理通道或独立组件(IC)信号积累和随后可以用于分类使用MATLAB工具如BCILAB(见后)。MatRiver使用Matlab“计时器”在后台运行,允许实时处理非阻塞的方式,甚至包括实时互动的探索从Matlab命令行传入的数据。连续数据的可视化特征如α乐队能源也是可行的。简而言之,Matriver函数提供一个优雅和简单的管道脑电图预处理和分类使用丰富的工具集和MATLAB的编程简单。

7所示。设计与BCILAB脑-机接口

后的结果数据流同步和预处理在艾丽卡框架已经完成,你可以使用BCILAB,开源MATLAB工具箱和EEGLAB2插件,支持脑机接口(BCI)的研究,和更广泛的设计、学习(或适应),实时预测模型的使用和评估操作信号。在BCILAB研究的主要对象是脑-机接口(BCI)模型(24),通常定义为系统,将人类里面作为输入和输出的估计主题的某个方面的认知状态。信号处理bci通常局限于脑电图信号,但可能包括其他形式,如动作捕捉数据或皮肤电导(+上下文参数如车辆状态,先前的事件,等等)。这些数据可以被处理使用BCILAB运行作为一个实时数据处理节点实验环境(例如,艾丽卡),或离线模拟实时应用程序现有数据。BCI的分类器输出可以流效应刺激或假肢控制的实时应用,或可能事后来自记录数据,例如统计分析模型的预测精度,当应用于先前记录的数据的数据库。BCILAB是高度灵活的和最容易的认知状态可以调查,例如想象运动(在感觉运动μ节律影响),意外(引发,如古怪的P3),或嗜睡的指标。

BCILAB提供的工具方便大多数BCI研究的步骤,包括设计、实现、学习、评价、和在线或离线状态BCI(或其他)模型的应用。进一步的任务,包括记录数据的探索和可视化的模型参数可以使用EEGLAB工具支持。BCILAB几层,顶层包括图形界面,编程接口,和一个实时应用程序接口,与第二层包括核心模型学习,模型执行,模型评价函数。这些核心设施反过来依赖于“BCI范式”的框架,这可以被理解为典型的模板方法设计一个BCI模型。预定义的范例包括常见的空间模式(CSP)、对数和频带能量的估计,和方法提出了双重增广拉格朗日框架(25]。BCI“范式”定义整个出版物中描述的方法,因为它会,从原始输入数据到最终输出,通常涉及到一个学习和预测阶段,因为足够的性能往往只实现模型学习后(或校准)基于样本数据从一个给定的会话,主题或任务。BCI范例可以完全由用户自定义,包括删除或添加整个组件,但有他们所有的参数的默认值,保持学习曲线柔和以及最小化的信息必须被指定。

在较低的水平,BCILAB提供了额外的框架设计为可扩展的、灵活的和实现较低的开销。特别是,大多数BCI范式定义在一个“数据流”计划信息是通过自己的插件框架的几个阶段:过滤器(信号处理),特征图谱(特征提取),和学习者模型以及预测/估计(使用机器学习)。这些框架一般都足以支付大量的实现,如自适应/统计epoched-signal处理,自适应特征提取,和分类/回归/密度估计,与一般的(离散/连续、多元、点估计/ full-posterior)输出。我们正在努力探索其他概念包括分层贝叶斯模型生成会话、主题和(相关)的任务。

一个简单的用例BCILAB离线BCI研究的再分析。例如,给定一个数据集的集合,每一个主题,包含想象运动的左边或右边以随机的顺序,与事件“SL”和“SR”指示的时间和类型各自的信号刺激,基于matlab的BCILAB脚本界面的用户可以进行如下:对于每一个主题,(1)加载数据集≫脑电图= io_loadset (“session1.eeg”);(2)定义一个分析方法(定制的部分标准范式)≫方法={“SpecCSP”,“事件”,{“SL”、“SR”},学习者”,' logreg '};(3)应用数据的方法,得到一个估计的性能对给定的数据≫(性能、模型、统计)=bci_train({‘数据’,脑电图,…“方法”,方法});

分析给出了预测精度的结果的关键因素是大多数BCI出版物(连同可视化)。步骤(3)也产生一个校准预测模型可以提供实时加载到一个插件(艾丽卡,BCI2000 [48],OpenViBE [49)实时环境中,与他人即将)在线测试。

BCILAB工具箱的主要焦点是允许,尽可能多的,竞争BCI估计性能可以获得使用简单的说过程(如上图)。为此,提供了大量先进的方法和表中列出2。第二,互补的焦点是提供严格的分析(例如,性能评估)默认情况下。为了这个目的,一个框架,用于自动交叉验证,系统的参数搜索,和嵌套提供交叉验证,自动选择一个合适的评价方法根据提供的数据(尽管评价方法也可以定制)。例如,如果一个数据集和至少一个未知参数是由用户提供的,嵌套基于块交叉验证默认选择安全的利润率。同样,排除常见的BCI研究错误,如意外非因果信号处理、离线和在线处理使用相同的代码。

表2
信号处理、特征提取和机器学习算法中包含BCILAB / EEGLAB框架。

BCILAB不仅旨在成为一个现成的工具集合,使BCI实验,但设计是一个新的BCI技术开发平台,促进创造新方法,方法(例如,结合现有的方法),和范例。为此,工具箱提供了广泛的基础设施,包括其中,框架上面提到的,一个小Mathematica-inspired象征性的表达系统,一个Adobe ASL-inspired声明式图形界面属性模型,分散的分布式计算基础设施(不依赖于MATLAB工具箱),一个通用的依赖加载器,一个透明的多级缓存结果,以及捆绑工具箱方便。BCILAB所有代码完全记录,额外citation-rich文档面向用户的功能。MATLAB 7.1向后兼容是未遂(除了图形界面,达成对大多数功能,这需要MATLAB 2008 +,由于使用对象)。

8。结论

扩展SCCN软件套件以EEGLAB数据结构和处理功能是一个持续的协调努力的产品开发和测试新方法是非侵入性观察和建模的动态观察人类大脑皮层的电生理活动在一个广泛的行为任务绩效事后和实时。我们已经开发出的工具为此包括软件在线数据流和存储、先进的离线和在线脑电图的分析和预测,源定位和多元的连通性分析和可视化。这些构建和集成与我们的EEGLAB软件套件,它现在在世界各地的成千上万的研究人员使用。我们计划继续扩展和进一步协调这些模块化工具箱的希望他们将促进发展21世纪小说脑电图分析和数据挖掘技术反过来会导致变革的收益在我们理解人类神经科学,认知和行为,促进广泛的实践和临床应用。

贡献和确认

EEGLAB主要是由a . Delorme)和美国Makeig [2从ICA电生理学工具箱(1997 - 2001)的Makeig et al .,功能和设计来自许多许多同事和EEGLAB用户输入。neuroelectromagnetic向前头建模工具箱(非功能性测试)是由z Akalin Acar [3]。筛选(源信息流工具箱)是由t·马伦。BCILAB开发了c . Kothe灵感来自前PhyPA BCI工具箱由c Kothe和t·詹德柏林技术大学。艾丽卡框架主要是由a . n . Bigdely-Shamlo Vankov及其Matlab元素。礼物斯基金会(旧场纽约),和给予支持来自美国国立卫生研究院(美国)国家科学基金会(美国),美国海军研究办公室(美国),和陆军研究实验室(美国)。