為更好地幫助到想要利用腦電圖技術開展科研的朋友們，拓展思影科技的業務范圍，思影科技推出腦電機器學習數據處理業務，如感興趣請聯系楊曉飛siyingyxf或18983979082（微信號）進行咨詢，電話：18580429226.

一、數據質量檢查和預處理

  數據質量檢查包括：檢查是否存在壞的導聯、Marker信息是否完整、信號是否有過大的波動或漂移等。

  數據預處理包括：數據導入（格式轉換）、定位電極、濾波、重參考、分段、手工去除偽跡（壞段、壞導聯）、偽跡校正（基于ICA去眼電等）。

       注：預處理步驟可根據實際實驗任務加以調整。

二、EEG基礎指標計算

（1）計算ERP波幅。對于事件相關的實驗數據，通過疊加平均的方式，計算特定刺激誘發的ERP波幅。

（2）計算功率譜。對于靜息態實驗數據，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（腦網絡）。對于靜息態實驗數據，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成腦網絡。功能連通性的計算方式可選：相干（Coherence）、相位鎖定值（PLV）等。

三、特征構建與特征篩選3.1 特征構建

  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。計算各區域（或各通道）在每個波段（delta ~ gamma）的功率譜。單一區域（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。區域的分辨率可調節（如按照10-5、10-20系統選擇通道）。

圖示.各組別各波段的功率譜密度分布。

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

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（如GFP，Global Field Power）作為特征。   

  5.腦網絡。將每個通道視為一個節點，節點之間的聯系（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數據，基于相位空間構建遞歸圖，進行遞歸量化分析（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.相關法。計算每個特征與量表的相關性（如皮爾遜相關），保留相關值高的特征。    

2.參數檢驗法。對不同組別人群的特征做假設檢驗（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。循序漸進地刪除影響最小的特征，直至保留特定數目的最重要的特征為止。注：我們可以提供的特征構建、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行組合。
三、機器學習模型    

1.K近鄰（k-Nearest Neighbor，KNN）。K近鄰是一個比較基礎的分類算法，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（SVM）。在許多情況下，支持向量機都是二分類模型的首選。通過使用核函數，即使基于線性不可分的數據，也可獲得較好的分類精度。引入投票機制后，亦可將該模型應用于多分類場景。

圖示.使用SVM進行訓練的過程。

 4.集成學習。當單一的分類器性能不良時，可以考慮集成多個弱分類器，形成一個強分類器�？蛇x的集成學習模型有隨機森林等。

圖示.隨機森林分類過程。

  5.回歸模型�；貧w模型主要用于預測連續變量（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.神經網絡。當沒有良好的手工選擇的特征時，可以考慮選用深度神經網絡（主要基于CNN來實現）模型。該模型可以自動從原始數據中提取特征，用于后續的預測任務。

圖示.一種卷積神經網絡架構。

  7.聚類。當數據沒有標簽時，可以選擇無監督學習算法，如K-means聚類。

 注：思影可以提供的機器學習模型包括但不限于以上內容。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，亦可根據需求實現。您可以選擇其中的一種或多種進行嘗試。

一、結果匯報&可視化 

  結果匯報內容包括：

   （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；

   （2）對于回歸模型，可以匯報相關值、MSE、MAE等精度指標；

   （3）置換檢驗的結果，如p值。

圖示.精度結果可視化案例。

圖示.ROC曲線可視化。

  結果可視化內容包括：   

  （1）對于分類模型，可繪制ROC曲線圖；   

  （2）對于回歸模型，可繪制相關圖；   

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

圖示.頻譜特征結果可視化案例。

五、定制化服務

圖示.工程師在討論。 

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

  2.分析代碼可定制。在沒有現有的軟件適用于您的數據分析需求時，思影科技會與您協商，通過編寫代碼實現您的想法，并提供代碼的完整實現。

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

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據處理，思影額外還將指派另一名工程師對項目全程進行檢查，審核，把關，確保數據處理質量，思影將全程對客戶數據保密。