فصول هفت تا اخر مربوط به پردازش سبگنالهای ECoG است که مربوط به کورتکس هستند. دیدگاه های زمانی و مکانی مربوط به ECoG را مطرح و بحث میکند
در فصول هشت و نه اثر اموزش learning را در ECoG نواحی مغزی بررسی کرده است
درفصل ده تغییراتECoG و EEG در شناخت در سطوح بالاتر را مورد بررسی قرار داده است

8 Allocortical ECoG Images Formed by Learning
8.1 Introduction
8.2 The Temporal Structure of the Bulbar
and Prepyriform ECoG
8.3 Spatiotemporal Images of Averaged Evoked Potentials
8.4 Spatial Images of Amplitude Modulation (AM Patterns)
of ECoG
8.5 Spatial Images of Phase Modulation (PM Patterns)
of ECoG Bursts
8.6 Transmission of Macroscopic Patterns to Other Areas of Cortex
8.7 Summary
References
9 Neocortical ECoG Images Formed by Learning
9.1 Introduction
9.2 Initial finding of Classifiable AM Patterns in Neocortical
ECoGs
9.3 High-Resolution of ECoG Amplitudes with the Hilbert
Transform
9.3.1 Derivation of the Analytic Power, A2
(t)
9.3.2 Use of He
(t) as a Scalar Index of the Order
Parameter
9.4 High-Resolution Images of Neocortical Phase Patterns
9.4.1 Derivation of the Phase Cones of Classifiable Bursts
9.4.2 Phase Structure of the Background Activity
9.5 High-Resolution Images of Analytic Phase Between Bursts
9.6 Cinematic Display of Temporal Dynamics of AM
and PM Patterns
9.6.1 Vortices
9.6.2 Null Spikes
9.7 Mechanisms of AM/PM Pattern Formation and Dissolution
9.7.1 Piecewise Linear Approximations for Attractor
Dynamics
9.7.2 A Possible Role for Singularity in Perception
9.8 Summary
References
10 ECoG and EEG Images in Higher Cognition
10.1 Introduction
10.2 Categorization Versus Generalization in Concept
Formation
10.3 Convergence of Percepts into Multisensory Gestalts
10.4 Demonstration of Classifiable AM Patterns
in Human ECoG

برای استخراج توان در باندهای فرکانسی مورد نظر در متلب میتوان از دستور bandpower استفاده کرد(از help نرم افزار کمک بگیرید)
برای مثال x سیگنال eeg مورد نظر است و با فرکانس 250 هرتز نمونه برداری شده است و ما میخواهیم قدرت طیف الفا 8-13 هرتز را بدست اوریم مینویسیم
P=bandpower(x,250,[8 13])

Katarzyn J. Blinowska, Jaroslaw Zygierewicz Practical Biomedical Signal Analysis Using MATLAB® .pdf

فصل اول مقدمات پردازش سیگنال را توضیح داده است نظیر نمونه برداری فرکانس تبدیل فوریه تبدیل z و...
مباحث تحلیل اماری گروه ها و فرضیه های اماری(برای بررسی تفکیک پذیری کلاسها )آزمونهای پارامتری و غیر پارامتری و FDR(false discovery rate)
توضیح داده شده است
فصل دوم
فیلتر کردن طراحی فیلتر FIR تعریف ایستایی و استیشنری بودن، مدل کردن ar, تبدیلات زمان فرکانس
خلاصه ای از روشهای پردازش غیرخطی سیگنال نظیر نمای لیاپانوف، بعد همبستگی، انالیز نوسانات دیترند شده dfa, نقشه های بازگشتی RQ، نگاشت پوانکاره
فصل سوم مفاهیم پردازش توام چند کاناله و Multivariate AR و کانکتیویتیها (اثرات علی (causality )کانالها روی هم ) گفته شده است
مباحث pca, Ica درادامه توضیح داده شده است
فصل چهارم بکار گیری مطالب گفته شده در پردازش سیگنالهای حیاتی مغزی، قلبی و ماهیچه است

Application to biomedical signals
4.1 Brain signals: local field potentials (LFP), electrocorticogram
(ECoG), electroencephalogram (EEG), and magnetoencephalogram
(MEG), event-related responses (ERP), and evoked fields (EF)
4.1.1 Generation of brain signals
4.1.2 EEG/MEG rhythms
4.1.3 EEG measurement, electrode systems
4.1.4 MEG measurement, sensor systems
4.1.5 Elimination of artifacts
4.1.6 Analysis of continuous EEG signals
4.1.6.1 Single channel analysis
4.1.6.2 Multiple channel analysis
4.1.6.2.1 Mapping
4.1.6.2.2 Measuring of dependence between EEG
signals
4.1.6.3 Sleep EEG analysis
4.1.6.4 Analysis of EEG in epilepsy
4.1.6.4.1 Quantification of seizures
4.1.6.4.2 Seizure detection and prediction
4.1.6.4.3 Localization of an epileptic focus
4.1.6.5 EEG in monitoring and anesthesia
4.1.6.5.1 Monitoring brain injury by quantitative
EEG
4.1.6.5.2 Monitoring of EEG during anesthesia
4.1.7 Analysis of epoched EEG signals
4.1.7.1 Analysis of phase locked responses
4.1.7.1.1 Time averaging
4.1.7.1.2 Influence of noise correlation
4.1.7.1.3 Variations in latency
4.1.7.1.4 Habituation
4.1.7.2 In pursuit of single trial evoked responses
4.1.7.2.1 Wiener filters
4.1.7.2.2 Model based approach
4.1.7.2.3 Time-frequency parametric methods
4.1.7.2.4 ERP topography
4.1.7.3 Analysis of non-phase locked responses
4.1.7.3.1 Event-related synchronization and desyn-
chronization
4.1.7.3.2 Classical frequency band methods
4.1.7.3.3 Time-frequency methods
4.1.7.3.4 ERD/ERS in the study of iEEG
4.1.7.3.5 Event-related time-varying functional
connectivity
4.1.7.3.6 Functional connectivity estimation from
intracranial electrical activity

یکی از روشهای کاهش بعد ماتریس ویژگی و پیدا کردن راستاهایی که بیشترین پراکندگی درانها هست روش تحلیل مولفه های اساسی PCA است
این روش در matlab با دستور princomp انجام میشود.

داده ingredients چهار بعدی است و با زدن PCA متوجه میشویم قدرت پراکندگی یا واریانس در بعد چهارم مولفه پی سی ای خیلی کم است(0.2) پس این راستا اطلاعاتی ندارد و قابل حذف است
برای حذف مولفه چهارم ماتریس pc را سه ستون اول را که متناظر با سه واریانس بیشتر است میگیریم و سپس در ماتریس ingredients ضرب میکنیم حالا چهاربعد به سه بعد کاهش میابد که بیشترین پراکندگی را دارند براساس واریانسها 99.96% انرژی در این سه بعد حفظ شده است. اگر راستای اول و دوم را بگیریم 97.88% انرژی اطلاعات را حفظ کرده ایم(یعنی ستونهای اول و دوم ماتریس pc)

اخر شکل نحوه محاسبه درصد انرژی را نشان میدهد👆👆👆

Job denoscription

The project is part of a European Training Network (ETN) with altogether
11 projects on cutting-edge, multidisciplinary research in visual,
visual-haptic perception, their neuronal correlates and computer
rendering. See https://dyvito.com/ for details about the consortium.

The project in Bilkent University will be conducted under the primary
supervision of Huseyin Boyaci. Broadly defined, the project focuses on
the dynamics of visual perception and its neuronal correlates. The
successful candidate will utilize behavioral experiments, neuroimaging
(fMRI and possibly EEG), and computational modeling. This project also
emphasizes developing and testing advanced fMRI techniques to determine
the temporal dynamics of neuronal activity using functional and
effective connectivity measures.

The ETN scheme offers unique opportunities for training and
international networking. Within the scheme there will be regular
network meetings and workshops. Consortium members, as well as
internationally renown invited speakers will give talks and lectures in
these intensive meetings. The scheme also requires secondments (research
visits of about 2 months) in other host labs to promote collaboration
and networking.

How to apply

Please send a CV, and cover letter for initial screening to
hboyaci@bilkent.edu.tr

اطلاعیه
t.me/EEGworkshop

با سلام

کارگاه های در حال ثبت نام به شرح زیر می باشند:

1⃣ نهمین دوره کارگاه ثبت، تحلیل و پردازش سیگنال های EEG

🔹زمان: 6 الی 8 تیرماه ۱۳۹۷

🔹 پوستر:
https://news.1rj.ru/str/EEGworkshop/1602
🔹 محتوای دوره:
https://news.1rj.ru/str/EEGworkshop/1600
مخاطبین دوره:
https://news.1rj.ru/str/EEGworkshop/1601

➖➖➖➖➖➖➖➖➖➖

2⃣ دومین کارگاه مبانی پردازش سیگنالهای حیاتی با نرم افزار متلب با محوریت علوم اعصاب محاسباتی

🔹 زمان 21 و 22 تیرماه 1397

🔹 پوستر کارگاه:
https://news.1rj.ru/str/EEGworkshop/1593
🔹 محتوای دوره:
https://news.1rj.ru/str/EEGworkshop/1596
🔹اطلاعات دوره:
https://news.1rj.ru/str/EEGworkshop/1598

🛑 اطلاعات بیشتر و ثبت نام برای هر دو مورد از طریق وب سایت:

www.nbml.ir

@eegworkshop

#matlab #eeglab #eegworkshop

در فیلتر کردن سیگنالها بسته به درجه فیلترها از نظر زمانی پیکها جابجا میشوند و مثلا پیک در ثانیه 2 به 2.2 ثانیه منتقل میشود
اگر از نظر زمانی، زمان رویدادن یک اتفاق مهم است در فیلتر کردن باید مواظب باشید تا شیفت پیدا نکند
برای اینکار میتوان از دستور filtfilt متلب استفاده کرد که یکبار سیگنال را درجهت مستقیم زمانی (time forward)و یکبار معکوس زمانی(time reverse) فیلتر میکند و شیفتها جبران میشود

y=filtfilt(num,den,x)
num:چند جمله ای صورت فیلتر بر حسب تبدیل زد
den: چند جمله ای مخرج
x: سیگنال ورودی که طولش باید بیشتر از سه برابر درجه فیلتر باشد
لطفا help filtfilt را ببینید

سیگنال ECG ساختگی 👆👆👆