Giter Club home page Giter Club logo

python-eeg-handbook-cn's Introduction

Python脑电数据处理中文手册 v2.0

编者:

  • 路子童 - 俄亥俄州立大学
  • 李婉如 - 北京大学
  • 聂露 - 中山大学
  • 赵匡是 - 博睿康

如对本教程有任务疑问或建议,欢迎通过以下方式联系:
1 在公众号”路同学“后台留言
2 邮件联系路子童,邮箱为[email protected]


第一章: 单被试预处理:
Open In Colab

第二章: 基础Python数据处理:
Open In Colab

第三章: 多被试分析:
Open In Colab

第四章: 高级脑电数据分析:
Open In Colab


依赖环境与依赖包

Python >= 3.6
MNE >= 1.6
NeuroRA >= 1.1.6.11
inverted-encoding == 0.2.3


三年前,我们在硕士毕业/进入工作/博士生涯开始前的暑假怀着满腔热情与忐忑发布了《Python脑电数据处理中文手册》第一版。自那以来,我们收到了广大读者的强烈反响与宝贵意见。我们的GitHub项目已经收获了232颗Stars,我的邮箱也时不时会有咨询相关问题的邮件(有部分邮件可能因为邮件太多忘记回复、也可能由于有些问题实在过于基础可以通过其他途径找到答案而没有回复)。

当然,第一版并不是完美的,之后会进行更新也是我们在三年前发布第一版时就有所计划的。我们希望可以不断地完善这个手册、修改旧版本里可能存在的问题、去优化与丰富我们的内容。同时,相关的依赖Python包也在不断更新,随之而来在手册里我们也必然需要进行一些修改。因此,这些因素都是我们更新第二版的基础。同时,非常高兴看到大家开始参考与使用这个手册,这也是对我们整个作者团队莫大的肯定。也正是大家这些正向的反馈激励我们继续前行,而带给了我们更新第二版的动力。

在第二版中,我们对手册的结构进行了重新的划分,分成了四个大的章节:单被试预处理、基础Python数据处理、多被试分析、以及高级脑电数据分析。我们主要修改了前一版中出现的一些笔误或描述性错误,在多被试分析章节中介绍了事件相关电位分析与时频分析,而将基于分类的脑电解码和表征相似性分析的部分归类到了高级脑电数据分析章节中,并额外增加了反向编码模型的部分。

于此同时,在三月初也发布了英文版的Python EEG Handbook (英文版预印本见PsyArXiv:https://osf.io/preprints/psyarxiv/dcmke),希望这一手册不仅仅在中文社区、也在英文社区帮助脑电研究人员或希望踏入脑电领域的初学者。

我们希望《Python脑电数据处理手册》(无论中文或英文版)能一直作为一个桥梁,不仅仅连接过去和未来,也连接初学者与专家、研究者与开发者,来共同推进脑电数据分析的发展。更重要的是,我们希望通过这一本手册不仅仅能帮助你在技术上取得进步,更能激发你对认知神经科学更深的热爱与探索!

再次感谢所有人的支持,期待与你们在学术的路上相遇!


你们的转发、分享与建议是我们继续进一步制作更深入文档的动力
以及,欢迎关注公众号:路同学

python-eeg-handbook-cn's People

Contributors

zitonglu1996 avatar

Stargazers

 avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar  avatar

Watchers

 avatar  avatar  avatar  avatar  avatar  avatar

python-eeg-handbook-cn's Issues

trigger problem

你好, 我的数据是用BioSemi机器采集的,刺激呈现的软件为PsychoPy builder。 数据采集时,trigger发送成功,然后数据在BP的数据分析软件上打开时显示的trigger信息都是有的,并且正确,但是。我用MNE读取时,显示segment信息为0, 请问可能的原因是什么?
代码和数据附件

希望能帮分析下可能的原因,谢谢!
数据: https://drive.google.com/file/d/1N9rC-S0WJl3wDODApgq5AUVne100GmgD/view?usp=sharing
script.txt

希望增加官网Tutorial中自定义raw对象和info对象的内容

感谢路同学和其他作者的工作!非常精彩!

这边提一个建议:希望增加官网Tutorial中关于自定义raw对象和info对象的内容。

之前就有关注MNE,但由于不支持实验室设备的输出格式,所以一直以来都是导出ascii文件徒手撸分析程序。
后来留意到MNE官网教程中关于用已有矩阵自定义raw对象和info对象的内容,感觉终于能用上MNE了。
不知道有类似问题的读者多不多,如果有一定数量的话,希望能在接下来的章节中看到相关内容。

谢谢!

ICA problem

您好,请问mne中会有像eeglab中对伪迹成分的一个相似度的判别吗?还是mne中只能通过人工确定哪些成分属于伪迹?期待您的回复。

Recommend Projects

  • React photo React

    A declarative, efficient, and flexible JavaScript library for building user interfaces.

  • Vue.js photo Vue.js

    🖖 Vue.js is a progressive, incrementally-adoptable JavaScript framework for building UI on the web.

  • Typescript photo Typescript

    TypeScript is a superset of JavaScript that compiles to clean JavaScript output.

  • TensorFlow photo TensorFlow

    An Open Source Machine Learning Framework for Everyone

  • Django photo Django

    The Web framework for perfectionists with deadlines.

  • D3 photo D3

    Bring data to life with SVG, Canvas and HTML. 📊📈🎉

Recommend Topics

  • javascript

    JavaScript (JS) is a lightweight interpreted programming language with first-class functions.

  • web

    Some thing interesting about web. New door for the world.

  • server

    A server is a program made to process requests and deliver data to clients.

  • Machine learning

    Machine learning is a way of modeling and interpreting data that allows a piece of software to respond intelligently.

  • Game

    Some thing interesting about game, make everyone happy.

Recommend Org

  • Facebook photo Facebook

    We are working to build community through open source technology. NB: members must have two-factor auth.

  • Microsoft photo Microsoft

    Open source projects and samples from Microsoft.

  • Google photo Google

    Google ❤️ Open Source for everyone.

  • D3 photo D3

    Data-Driven Documents codes.