Analysis of EEG sygnals

General data

Course ID:	3501-KOG-EEG2
Erasmus code / ISCED:	13.2 Kod klasyfikacyjny przedmiotu składa się z trzech do pięciu cyfr, przy czym trzy pierwsze oznaczają klasyfikację dziedziny wg. Listy kodów dziedzin obowiązującej w programie Socrates/Erasmus, czwarta (dotąd na ogół 0) – ewentualne uszczegółowienie informacji o dyscyplinie, piąta – stopień zaawansowania przedmiotu ustalony na podstawie roku studiów, dla którego przedmiot jest przeznaczony. / (0533) Physics The ISCED (International Standard Classification of Education) code has been designed by UNESCO.
Course title:	Analysis of EEG sygnals
Name in Polish:	Analiza sygnałów EEG
Organizational unit:	Institute of Philosophy
Course groups:
ECTS credit allocation (and other scores):	(not available) Basic information on ECTS credits allocation principles: the annual hourly workload of the student’s work required to achieve the expected learning outcomes for a given stage is 1500-1800h, corresponding to 60 ECTS; the student’s weekly hourly workload is 45 h; 1 ECTS point corresponds to 25-30 hours of student work needed to achieve the assumed learning outcomes; weekly student workload necessary to achieve the assumed learning outcomes allows to obtain 1.5 ECTS; work required to pass the course, which has been assigned 3 ECTS, constitutes 10% of the semester student load. view allocation of credits
Language:	Polish
Type of course:	obligatory courses
Prerequisites:	EEG laboratory 3501-KOG-EEG1 Methods used to study brain functioning 3501-KOG-MBFM
Prerequisites (description):	(in Polish) Oczekujemy, że studenci znają podstawy fizjologiczne i metodykę rejestracji EEG. Potrafią rozróżnić prawidłowy sygnał od artefaktów, rozumieją znaczenie metadanych i markerów w danych EEG. Wskazane wcześniejsze zaliczenie ćwiczeń Laboratorium EEG (3501-KOG-EEG), oraz wykładu Metody badania funkcjonującego mózgu (3501-KOG-MBFM).
Mode:	Classroom
Short description:	Students will learn basic methods used for analysis of EEG data from psycho-cognitive experiments (artifact detection and rejection, ERP averaging. Spactral analysis of EEG and ERP). Classes are based on EEGlab toolbox in Matlab environment.
Full description:	(in Polish) Celem zajęć jest zapoznanie studentów z podstawowymi metodami analizy sygnału EEG zarejestrowanego podczas doświadczeń psycho-poznawczych. Ćwiczenia prowadzone są w środowisku obliczeniowym MATLAB z oparciu o format danych i funkcje pakietu EEGlab. Podczas zajęć 1-10, studenci zapoznają się ze środowiskiem MATLAB i pakietem EEGlab. Na przykładowych danych uczą się wprowadzać do EEGlaba dane i metadane, rozpoznawać i usuwać artefakty, ćwiczą uśrednianie ERP, filtrowanie i analizę częstotliwościową EEG. Podczas zajęć 11-15, studenci samodzielnie planują i przeprowadzają analizę własnych danych, zarejestrowanych podczas „Pracowni EEG” w poprzednim semestrze. W czasie zajęć w pracowni komputerowej studenci wykonają analiz zgodnie z przygotowanym konspektem i wskazówkami prowadzącego. Wymagane będzie wykonanie quizów (na COME) dotyczących procedur z bieżących zajęć. Tematyka ćwiczeń (nie pokrywa się dokładnie z numeracją zajęć) 1-2. Prezentacja MATLABa, EEGlaba – wprowadzenie metadanych o lokalizacji elektrod i występujących znacznikach bodźców: rozpoznanie i usuwanie fragmentów z artefaktami, podział danych na bloki i okna do dalszej analizy. 3. Uśrednianie – potencjały słuchowe (AEP). 4. Analiza ICA, detekcja artefaktów mrugania, uśrednianie – potencjał wzrokowy (VEP). 5. Analiza częstotliwościowa w EEGlabie, funkcje i skrypty MATLABa do FFT, filtrowanie danych (EEGlab). 6. Filtrowanie danych (EEGlab), analiza obwiedni (MATLAB), analiza czas-częstość (EEGLab). 8. Automatyczne metody usuwania artefaktów (EEGlab). 9. Porównanie wyników ERP w EEGlab, badanie grupowe 'STUDY'. 10. Porównanie wyników ERP, FFT – skrypty MATLABa. 11-15. Analizy samodzielne, przygotowanie raportów.
Bibliography:	(in Polish) materiały źródłowe (pdfy, ilustracje i adresy URL) podawane na platformie COME
Learning outcomes:	(in Polish) Nabyta wiedza: Student poznał podstawowe funkcje pakietu EEGlab; metody wykrywania i usuwania artefaktów z sygnału EEG; zasady podziału danych na bloki i okna względem znaczników bodźców i zdarzeń; uśredniania ERP, analizy częstotliwościowej; Nabyte umiejętności: Student umie wprowadzić dane i metadane Matlaba do EEGlaba; umie oczyścić i przygotować dane do analizy, uśrednić i porównać ERP; wykoanć analizę FFT i porównać wyniki. Nabyte kompetencje społeczne: Student umie przygotować raport z badania naukowego.
Assessment methods and assessment criteria:	(in Polish) - obecność i aktywność na zajęciach - złożenie wyników z każdych ćwiczeń na platformie COME - quizy na platformie COME - ocena planu samodzielnej analizy i przygotowanego raportu Dopuszczalna liczba nieobecności podlegających usprawiedliwieniu: 2

This course is not currently offered.

Course descriptions are protected by copyright.
Copyright by University of Warsaw.