為更好地幫助到想要利用腦電圖技術(shù)開展科研的朋友們，拓展思影科技的業(yè)務(wù)范圍，思影科技推出腦電機(jī)器學(xué)習(xí)數(shù)據(jù)處理業(yè)務(wù)，如感興趣請聯(lián)系楊曉飛siyingyxf或18983979082（微信號）進(jìn)行咨詢，電話：18580429226.

一、數(shù)據(jù)質(zhì)量檢查和預(yù)處理

  數(shù)據(jù)質(zhì)量檢查包括：檢查是否存在壞的導(dǎo)聯(lián)、Marker信息是否完整、信號是否有過大的波動或漂移等。

  數(shù)據(jù)預(yù)處理包括：數(shù)據(jù)導(dǎo)入（格式轉(zhuǎn)換）、定位電極、濾波、重參考、分段、手工去除偽跡（壞段、壞導(dǎo)聯(lián)）、偽跡校正（基于ICA去眼電等）。

       注：預(yù)處理步驟可根據(jù)實際實驗任務(wù)加以調(diào)整。

二、EEG基礎(chǔ)指標(biāo)計算

（1）計算ERP波幅。對于事件相關(guān)的實驗數(shù)據(jù)，通過疊加平均的方式，計算特定刺激誘發(fā)的ERP波幅。

（2）計算功率譜。對于靜息態(tài)實驗數(shù)據(jù)，通過傅里葉變換，計算各波段（delta ~ gamma）的功率譜密度（PSD）。

（3）計算時頻特征。通過短時傅里葉變換（或小波變換），計算時頻圖（power）。

（4）計算功能連通性（腦網(wǎng)絡(luò)）。對于靜息態(tài)實驗數(shù)據(jù)，計算通道之間的功能連通性，所有通道之間的功能連通性可構(gòu)成腦網(wǎng)絡(luò)。功能連通性的計算方式可選：相干（Coherence）、相位鎖定值（PLV）等。

三、   特征構(gòu)建與特征篩選3.1 特征構(gòu)建

1.ERP特征。計算感興趣通道的ERP幅值后，每個時間點的ERP幅值可以作為一個特征。

2. 功率譜特征。計算各區(qū)域（或各通道）在每個波段（delta ~ gamma）的功率譜。單一區(qū)域（或通道）的某波段的平均絕對/相對功率譜密度（PSD/rPSD），可以作為一個特征。區(qū)域的分辨率可調(diào)節(jié)（如按照10-5、10-20系統(tǒng)選擇通道）。

圖示.各組別各波段的功率譜密度分布。

  3.信息論特征。計算各區(qū)域（或各通道）的排列熵，Kolmogorov復(fù)雜度等指標(biāo)，每個區(qū)域（或通道）的信息論指標(biāo)可以作為一個特征。    

4.地形圖特征。計算時域或頻域幅值的地形圖，使用地形圖或其衍生指標(biāo)（如GFP，Global Field Power）作為特征。   

   5.腦網(wǎng)絡(luò)。將每個通道視為一個節(jié)點，節(jié)點之間的聯(lián)系（功能連通性）視為一條連邊，每條連邊即為一個特征。

圖示. 頻譜、信息論、功能連通性等多種特征的組合。

  6.RQA特征。對于各通道的靜息態(tài)數(shù)據(jù)，基于相位空間構(gòu)建遞歸圖，進(jìn)行遞歸量化分析（Recurrence quantification analysis），提取遞歸率（RR）、決定論（DET）、熵（ENTR）、分層性（LAM）等作為特征。 

3.2 特征篩選    

1.相關(guān)法。計算每個特征與量表的相關(guān)性（如皮爾遜相關(guān)），保留相關(guān)值高的特征。    

2.參數(shù)檢驗法。對不同組別人群的特征做假設(shè)檢驗（比如對兩組人群的特征做雙樣本T檢驗），保留通過假設(shè)檢驗的特征。    

3.主成分分析（PCA）法。將所有特征分解成一系列主成分，保留排名靠前的主成分作為特征。   

4.遞歸特征消除法。循序漸進(jìn)地刪除影響最小的特征，直至保留特定數(shù)目的最重要的特征為止。注：我們可以提供的特征構(gòu)建、特征篩選方法包括但不限于上述描述，您可以選擇其中一種或多種進(jìn)行組合。
三、機(jī)器學(xué)習(xí)模型    

1.K近鄰（k-Nearest Neighbor，KNN）。K近鄰是一個比較基礎(chǔ)的分類算法，該算法計算測試樣本與已知樣本之間的距離，并將測試樣本判定為與其距離最近的類別。   

2.決策樹（Decision Tree）。該模型選用一些特征作為決策變量，基于特定的閾值形成決策分支，最終形成樹狀的決策鏈條。    

3.支持向量機(jī)（SVM）。在許多情況下，支持向量機(jī)都是二分類模型的首選。通過使用核函數(shù)，即使基于線性不可分的數(shù)據(jù)，也可獲得較好的分類精度。引入投票機(jī)制后，亦可將該模型應(yīng)用于多分類場景。

圖示.使用SVM進(jìn)行訓(xùn)練的過程。

 4.集成學(xué)習(xí)。當(dāng)單一的分類器性能不良時，可以考慮集成多個弱分類器，形成一個強(qiáng)分類器?？蛇x的集成學(xué)習(xí)模型有隨機(jī)森林等。

圖示.隨機(jī)森林分類過程。

  5回歸模型?；貧w模型主要用于預(yù)測連續(xù)變量（如量表得分）?？蛇x的回歸模型有線性回歸（GLM）、多項式回歸等，也包含其變種，如LASSO回歸、嶺回歸、Elastic Net等。   

6.神經(jīng)網(wǎng)絡(luò)。當(dāng)沒有良好的手工選擇的特征時，可以考慮選用深度神經(jīng)網(wǎng)絡(luò)（主要基于CNN來實現(xiàn)）模型。該模型可以自動從原始數(shù)據(jù)中提取特征，用于后續(xù)的預(yù)測任務(wù)。

圖示.一種卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)。

7.聚類。當(dāng)數(shù)據(jù)沒有標(biāo)簽時，可以選擇無監(jiān)督學(xué)習(xí)算法，如K-means聚類。

 注：思影可以提供的機(jī)器學(xué)習(xí)模型包括但不限于以上內(nèi)容。其他模型如樸素貝葉斯（Naive Bayes）、線性判別分析（LDA）、主成分分析（PCA）、或上述模型的變種，亦可根據(jù)需求實現(xiàn)。您可以選擇其中的一種或多種進(jìn)行嘗試。

一、結(jié)果匯報&可視化 

    結(jié)果匯報內(nèi)容包括：

   （1）對于分類模型，可匯報敏感性、特異性、總精度、曲線下面積等精度指標(biāo)；

   （2）對于回歸模型，可以匯報相關(guān)值、MSE、MAE等精度指標(biāo)；

   （3）置換檢驗的結(jié)果，如p值。

圖示.精度結(jié)果可視化案例。

圖示.ROC曲線可視化。

結(jié)果可視化內(nèi)容包括：   

（1）對于分類模型，可繪制ROC曲線圖；   

（2）對于回歸模型，可繪制相關(guān)圖；   

（3）對于模型訓(xùn)練過程中發(fā)現(xiàn)的貢獻(xiàn)較大的特征，可繪制曲線圖、矩陣圖、圈狀圖、地形圖等。

圖示.頻譜特征結(jié)果可視化案例。

五、定制化服務(wù)

圖示.工程師在討論。 

  1.分析方法可定制。思影科技可根據(jù)您提供的模板文獻(xiàn)，基于您的實驗數(shù)據(jù)，實現(xiàn)文獻(xiàn)中使用的數(shù)據(jù)分析方法。此外，未列出的分析方法，只要在思影科技的能力范圍內(nèi)，盡力實現(xiàn)您的想法。

  2.分析代碼可定制。在沒有現(xiàn)有的軟件適用于您的數(shù)據(jù)分析需求時，思影科技會與您協(xié)商，通過編寫代碼實現(xiàn)您的想法，并提供代碼的完整實現(xiàn)。

  3.可視化方案可定制。如果您有特殊的可視化方案要求，也可與我們協(xié)商實現(xiàn)。

客戶與思影確定合作意向以后，思影會指定專門的工程師全程與客戶對接項目著手該項目數(shù)據(jù)處理，思影額外還將指派另一名工程師對項目全程進(jìn)行檢查，審核，把關(guān)，確保數(shù)據(jù)處理質(zhì)量，思影將全程對客戶數(shù)據(jù)保密。