Analysis of EEG sygnals
General data
Course ID: | 3501-KOG-EEG2 |
Erasmus code / ISCED: |
13.2
|
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)
|
Language: | Polish |
Type of course: | obligatory courses |
Prerequisites: | EEG laboratory 3501-KOG-EEG1 |
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 |
Copyright by University of Warsaw.