超级会员免费看
脑电图数据的表面拉普拉斯变换：原理、算法与应用
1. 引言
在脑电图（EEG）数据分析中，滤波器起着至关重要的作用。时间滤波器，如小波卷积和有限脉冲响应（FIR）滤波器，通过将每个数据点设置为周围数据点的加权和，突出数据的特征，这些权重的构造方式旨在最大化对特定频带的选择性。空间滤波器在概念上与之类似，它通过为每个电极定义权重，使所有电极活动的加权和有助于突出那些在未进行空间滤波的数据中存在但难以分离的信号特征。表面拉普拉斯变换就是一种重要的空间滤波器，下面将详细介绍其相关内容。
2. 表面拉普拉斯变换概述
2.1 什么是表面拉普拉斯变换
表面拉普拉斯变换是一种空间带通滤波器，它通过有效过滤掉数据中空间上宽泛的特征，提高地形选择性。空间上宽泛的地形特征可能反映了容积传导电位或分布但高度相干的皮质源。经过表面拉普拉斯变换后，高空间频率活动（仅在一小簇电极上可观察到的活动）得以保留，而低空间频率活动（在大多数或所有电极上都可观察到的活动）则被衰减。
在文献中，还可能会看到“表面电流密度”“电流源密度”或“头皮电流密度”（SCD或CSD）等术语。这里的“源”指的是颅骨层面的电活动源和汇，而不是产生头皮记录数据的假定大脑区域。CSD可以通过表面拉普拉斯变换或其他几种方法获得。将空间滤波器称为CSD或表面拉普拉斯变换的主要区别在于，前者隐含地假设所得的地形分布确定了头部电流源和汇的位置，而后者只是描述了应用于数据的数学变换。
表面拉普拉斯变换应仅应用于EEG（而非MEG）数据，并且最好应用于具有64个或更多电极的EEG数据。
订阅专栏 解锁全文
扫一扫
3155
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
