为提高服务水平，帮助科研人员更好的使用脑电图做研究，我们推出基于Python的脑电数据处理服务。如感兴趣或有需要，请关注微信公众号后留言，或联系010-64919061/64919062。

具体脑电数据处理业务包括：

脑电数据预处理

脑电数据预处理包括通道定位，去除无用电极，滤波（高通滤波、低通滤波、带宽滤波、凹陷滤波），降采样，分段，基线矫正，使用独立主成分分析和信号空间投影进行伪迹矫正、伪迹去除，插值坏电极，去除极端值，重参考等。

各通道频谱图

独立主成分地形图

成分属性图

时域分析-ERP

为了便于分析脑电的事件相关电位，根据事件对原始脑电进行分段，得到Epoch类型数据。进一步按照不同事件类型将Epoch类型数据进行叠加平均，得到Evoked类型数据。最后对Evoked类型数据从多个角度进行统计分析和多重比较矫正（FEW，FDR），即可得到不同事件下的脑电数据差异，从而得出实验结论。

Evoked 数据地形图

频域分析

对各被试、各通道、各分段的脑电信号做傅里叶变换，得到各个频率点上的能量（即功率频密度），将时域数据转换成频域数据，再做统计分析，并进行多重比较矫正（FWE，FDR）。其中，统计分析方式有以下几种：

1. 沿着频率点统计：选择感兴趣的空间区域（通道），沿着频率点进行统计检验。
2. 沿着通道统计：选择感兴趣的频段，沿着通道进行统计检验。
3. 提取特定通道、特定频段的能量数值，进行统计检验。

波段地形图

T值和P值图

P值地形图

时频分析

由于时域分析仅能体现幅值随时间的变化，缺少频段信息以及频域分析仅能查看频段能量的分布，并不能体现特定频段能量随时间的变化，并且仅适用于稳态数据分析，所以采用短时傅里叶变换或小波变换对各被试、各通道、各分段的数据做时频变换，得到各时频点的能量，再做统计分析，并进行多重比较矫正（FWE，FDR）。

时频地形图

通道时频图

波段时频地形图

p值矩阵

功能连接分析

通过计算无向指标，如相关性（Pearson相关）、相干性（Coherence）、相位锁定值（Phase-Locking Value）、相位延迟指数（Phase lag index，PLI）等，构建对应的功能连接矩阵，绘制功能连接图并做统计分析和多重比较矫正（FWE、FDR），得到统计分析结果。

相干矩阵

相干性圈状图

p值圈状图

溯源分析

一般而言，脑电图能采集和获得的是大脑外部的信息和数据，而不是直接提取的大脑内部信息。但大脑外部的信息有时并不一定能准确表现大脑内部的活动和功能，我们可能更加感兴趣的是它内在的结构和生理机制、内在的功能行为和连接状态，这时就需要对脑电数据进行溯源分析。

溯源分析的主要方法为通过头模型（head model），源空间（source model）以及电极坐标信息（channel positions）计算出前向解（forward solution），再利用前向解和反向算子计算出源信号，最后计算出脑区源信号进行统计分析。

源信号

p值图