MATLAB是一种功能强大的数据处理和可视化工具，特别适用于大脑科学领域。本文旨在向读者介绍如何使用MATLAB进行大脑数据处理和分析，为读者提供一个全面的指南，使其能够掌握MATLAB在大脑科学研究中的应用。

01 MATLAB入门

在脑科学研究中，MATLAB被广泛应用于数据处理、分析和可视化，我们可以利用MATLAB来处理和分析脑电图（EEG）、近红外光谱（NIRS）等数据，从而帮助研究人员更好地理解大脑的复杂结构和功能。

数据处理和分析功能：（提供丰富的工具箱和函数库）对于EEG数据，研究人员通常需要进行滤波、去伪影、时频分析等预处理步骤，以及事件相关电位（ERP）分析、频谱分析、相干性分析等高级数据处理。

MATLAB提供了诸如Signal Processing Toolbox、EEGLAB等专门用于这些任务的工具箱和插件，使得数据处理和分析更加高效和精确。

强大的绘图和可视化能力： 在脑电研究中，数据的可视化是理解和解释结果的关键。MATLAB可以生成高质量的时域波形图、频谱图、拓扑图等，帮助研究人员直观地展示数据特征和分析结果。

灵活的编程环境：用户可以根据实际需求编写自定义的数据处理和分析脚本。这种灵活性非常重要，因为脑电研究中经常需要根据特定实验设计或科学问题进行定制化分析。

开放式资源共享： 用户可以通过MathWorks官方文档、在线社区、论坛等获取支持和解决问题，这对于新手和有经验的用户都是非常有价值的。

集成第三方软件： MATLAB可以与其他科学计算软件和数据格式无缝集成，例如Python、R语言等。这种能力使得研究人员可以利用不同软件的优势，进一步增强数据处理和分析的功能和效率。

(1) 界面导览

MATLAB的用户界面，包括命令窗口、编辑器、工作区等部分的功能和操作方式。

（左）Current Folder（当前文件夹）： 访问文件所在的文件夹

（中）Command Window（命令行窗口）： 可以在命令行>>后输入命令

（右）Workspace（工作区）：用于浏览我们创建或从文件导入的数据

(2) 基本操作

介绍MATLAB中常用的基本命令和函数，例如加法、减法、乘法、除法等。

提供实例演示如何使用这些基本操作进行简单的数学计算。

如何使用命令窗口执行简单的数学运算和命令？

1）数学运算和命令执行：

在命令窗口中输入数学表达式，例如 3 + 5，然后按下回车键，MATLAB会计算并显示结果。

>>3+5ans=8

MATLAB会自动创建一个名为 ans 的变量来存储计算结果，并在工作区中显示。

可以使用 ans 变量进行进一步的计算，例如 ans * 9，结果会更新并显示在命令窗口和工作区中。

>>ans*9ans=72

2）创建和操作变量：

可以通过在命令窗口中定义变量来存储数值，例如 a = 4 ^ 3，MATLAB会计算并将结果存储在变量 a 中。

在一行命令后加上分号（;）可以防止MATLAB显示结果，例如 b = 8 / 3;，但是变量 b 的值已经存储在工作区中。

3）使用内置函数：

MATLAB提供了许多内置函数，例如三角函数。可以直接在命令窗口中调用这些函数，例如 c = sin(1)，将会计算正弦函数值并将结果存储在变量 c 中。

其中“i”是虚数，利用指令“format”可以延长或缩短小数点后数字。

x = pi/2

x = 1.570796326794897

>> format long

>> x

x = 1.570796326794897

>> format short

>> x

x = 1.5708

4）创建和操作数组和矩阵：

可以使用 [] 来创建数组，例如 a = [1, 2, 3, 4, 5]。

也可以利用{}来创建元胞数组(cell数组)，元胞数组可以用来储存类型不同的数据，例如：

>> b = {'MatLab', 0, 1.5, [1, 2, 3]}

b = 1×4 cell 数组

{'MatLab'}    {[0]}    {[1.5000]}    {[1 2 3]}

可以用 ; 来分隔行向量 ，创建多个行向量组成的矩阵，例如 c = [1, 2, 3; 4, 5, 6]。

>> c = [1, 2, 3; 4, 5, 6]

c =   1   2   3   4   5   6

创建等距向量，利用(:)例如 d = [1:10]。

>> c = [1:10]

c =    1    2     3     4     5     6     7     8     9     10

可以使用 zeros() 方法创建零矩阵，例如 z = zeros(5,1)，将会创建一个5×1的零矩阵。

>> z = zeros(5,1)

z = 0  0  0  0  0

(5）索引数组或矩阵中的元素：

MatLab中的索引方式是用 () 进行索引，并且与其他编程语言不太相同的一点是，MatLab中索引元素时是从"1"开始数的，也就是说，如果我想知道数组a中第一个元素是什么，那么我应该输入：

>> a(1)

ans = 1

在矩阵中，可以用","分隔开每个维度的索引下标，例如我想知道矩阵c中第2行第3列的元素：

>> c(2, 3)

ans = 6

或者用“展开”的方式索引（不太常用）：

>> c(6)

ans = 6

注意，如果使用无效的变量名，MATLAB将显示错误信息和建议的更正。可以使用该修改，修改，或按Esc删除建议。

02 MATLAB在脑电数据处理中的应用

(1）数据导入

指导如何导入脑科学实验中的数据，例如脑电图（EEG）或近红外光谱（NIRS）数据。

EEGLAB 扩展插件：允许使用 EEGLAB 数据结构来构建和发布新的数据处理或可视化功能。

接：EEGLAB 2019.1 及更高版本的当前插件列表（私信回复）

脑科学实验通常会产生大量的数据，如何将这些数据导入MATLAB进行进一步分析至关重要。

首先，我们需要了解数据的格式。对于EEG数据，常见的格式包括文本文件（如.txt）和专用的数据格式（如.edf）。对于NIRS数据，通常以文本文件形式存储。

接下来，我们将展示如何使用MATLAB导入这些数据。

• 对于文本文件，我们可以使用MATLAB的 load 函数进行导入。例如，对于EEG数据文件 eeg_data.txt：

eeg_data = load('eeg_data.txt');

• 对于专用的数据格式，可以使用MATLAB提供的相应函数进行导入。例如，对于EDF格式的EEG数据文件 eeg_data.edf：

[header, signal] = edfread('eeg_data.edf');

类似地，我们可以使用适当的函数导入NIRS数据。

(2）数据预处理：

导入数据后，通常需要进行一些预处理步骤，以确保数据质量和适用性。这些步骤可能包括数据清洗、格式转换等。

• 数据清洗：数据清洗是指识别和处理数据中的异常值、缺失值等问题。在MATLAB中，我们可以使用各种技术和函数进行数据清洗。例如，我们可以通过阈值筛选或插值等方法处理异常值或缺失值。
• 格式转换：数据可能以不同的格式存储，需要将其转换为适合分析的格式。例如，EEG数据可能以时间序列的形式存储，我们可以将其转换为MATLAB中的时间序列对象（如 timeseries）以方便进一步处理。

以下是一些常见的数据预处理步骤的示例：

• 滤波：使用带通滤波器去除噪声和不相关频率成分。

% 设计带通滤波器

fs = 256; % 采样频率

low_cutoff = 0.5; % 低截止频率

high_cutoff = 50; % 高截止频率

[b, a] = butter(4, [low_cutoff high_cutoff] / (fs / 2), 'bandpass');

% 应用滤波器

filtered_eeg = filtfilt(b, a, eeg_signal);

• 去伪影：去除电源线噪声和其他伪影。

% 使用陷波滤波器去除电源线噪声（假设电源线频率为50Hz）

notch_freq = 50;

[b, a] = iirnotch(notch_freq / (fs / 2), notch_freq / 35);

cleaned_eeg = filtfilt(b, a, filtered_eeg);

• 分段：将连续的EEG数据分成感兴趣的片段，例如事件相关电位（ERP）分析。

% 分段数据，每段1秒

segment_length = fs; % 1秒长度

num_segments = floor(length(cleaned_eeg) / segment_length);

segments = reshape(cleaned_eeg(1:num_segments * segment_length), segment_length, num_segments);

(3）特征提取

在EEG分析中，特征提取是关键步骤之一。常用的特征包括时域特征、频域特征和时间-频率特征。

• 时域特征：计算均值、标准差等。

% 计算每段的均值和标准差

means = mean(segments);

stds = std(segments);

• 频域特征：计算功率谱密度（PSD）。

% 计算功率谱密度

psd = pwelch(cleaned_eeg, [], [], [], fs);

• 时间-频率特征：使用短时傅里叶变换（STFT）或小波变换。

% 计算STFT

window = hamming(128);

noverlap = 120;

nfft = 256;

[S, F, T, P] = spectrogram(cleaned_eeg, window, noverlap, nfft, fs);

(4）数据分析与可视化

介 绍MATLAB中常用的数据分析和可视化方法，例如绘制线性图、柱状图、散点图等。通过可视化，我们可以更直观地理解和分析EEG信号。

通过在 MATLAB 命令提示符下键入 signalAnalyzer 来启动该界面

图形(MATLAB) -EEG时频分析

EEG-分形分析的MATLAB代码

• 时域信号可视化：

% 绘制原始和滤波后的EEG信号

figure;

subplot(2, 1, 1);

plot(eeg_signal);

title('原始EEG信号');

xlabel('时间');

ylabel('幅值');

subplot(2, 1, 2);

plot(cleaned_eeg);

title('滤波后的EEG信号');

xlabel('时间');

ylabel('幅值');

• 频域信号可视化：

% 绘制功率谱密度

figure;

plot(F, 10 * log10(P));

title('功率谱密度');

xlabel('频率 (Hz)');

ylabel('功率 (dB/Hz)');

• 时间-频率图可视化：

% 绘制时频图

figure;

imagesc(T, F, 10 * log10(P));

axis xy;

title('时间-频率图');

xlabel('时间 (s)');

ylabel('频率 (Hz)');

colorbar;

03 MATLAB学习资源

1）官方文档和教程：

https://matlabacademy.mathworks.com/

MathWorks官网提供了详细的MATLAB文档和教程，涵盖从基础操作到高级应用的各个方面。新手可以通过这些资源系统学习MATLAB的基本语法、数据处理技术和编程技巧。

2）在线课程和视频

许多在线教育平台如Coursera、edX、Udacity等提供了专门针对MATLAB的课程和视频教程。这些课程从实际案例出发，教授如何在脑电数据处理中应用MATLAB，帮助新手快速掌握实用技能。

下期预告：MATLAB脑电数据处理精要（二、原理）

（全文结束）

部分素材源于网络

如有侵权，请联系删除