Analysis of EEG sygnals
General data
Course ID: | 3800-KOG-EEG2 |
Erasmus code / ISCED: |
13.2
|
Course title: | Analysis of EEG sygnals |
Name in Polish: | Analiza sygnałów EEG |
Organizational unit: | Faculty of Philosophy |
Course groups: |
(in Polish) Przedmioty obowiązkowe, kognitywistyka, studia stacjonarne, pierwszego stopnia |
ECTS credit allocation (and other scores): |
2.00
|
Language: | Polish |
Type of course: | obligatory courses |
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). |
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 [K_W29, K_W49] Nabyte umiejętności: Student umie wprowadzić dane i metadane Matlaba do EEGlaba; umie oczyścić i przygotować dane do analizy, uśrednić i porównać ERP; wykonać analizę FFT i porównać wyniki [K_U06, K_U11, K_U18, K_U25, K_U31, K_U41] Nabyte kompetencje społeczne: Student umie przygotować i przedstawić raport z badania naukowego [: K_K02, K_K03, K_K04, K_K05 K_K07, K_K08, K_K09, K_K10] |
Assessment methods and assessment criteria: |
(in Polish) a) Metody weryfikacji efektów uczenia się: - aktywność na zajęciach, - złożenie raportu z wyników z każdych ćwiczeń na platformie COME - quizy na platformie COME, - ocena planu samodzielnej analizy i przygotowanego raportu b) Składowe oceny końcowej i ich waga: - Ocena za przeprowadzoną samodzielną analizę i przygotowany raportu (45%). - Oceny z kartkówek, quizów (30%). - Raporty z wyników ćwiczeń na zajęciach (25%). c) Semestralna liczba dopuszczalnych nieobecności zajęciach oraz w wypadkach, których to dotyczy, sposoby ich zaliczania: 2 W usprawiedliwionych przypadkach zajęcia praktyczne można odrabiać z inną grupą ćwiczeniową. d) Skala ocen 5! - 98% pkt. 5 (bdb.) - 90–97% 4+ (db. plus) - 82–89% 4 (db.) - 74–81%, 3+ (dst. plus) - 67–73%, 3 (dst.) - 60–66%, 2 (ndst.) - <60% e) Warunki dopuszczenia do poprawy: Można poprawiać jedynie finalną samodzielną analizę i raport końcowy. Nie da się poprawić (ani odrobić niezaliczonych) zadań cząstkowych z kolejnych ćwiczeń (rapety wynikowe, kartkówki, quizy i protokoły). Zajęcia wymagają systematycznej pracy. |
Classes in period "Summer semester 2023/24" (in progress)
Time span: | 2024-02-19 - 2024-06-16 |
Navigate to timetable
MO LAB
LAB
LAB
LAB
TU W TH FR |
Type of class: |
Lab, 30 hours, 60 places
|
|
Coordinators: | Marek Bekisz, Ewa Kublik | |
Group instructors: | Marek Bekisz, Ewa Kublik | |
Students list: | (inaccessible to you) | |
Examination: |
Course -
Grading
Lab - Grading |
Classes in period "Summer semester 2024/25" (future)
Time span: | 2025-02-17 - 2025-06-08 |
Navigate to timetable
MO TU W TH FR |
Type of class: |
Lab, 30 hours, 60 places
|
|
Coordinators: | (unknown) | |
Group instructors: | Marek Bekisz, Ewa Kublik | |
Students list: | (inaccessible to you) | |
Examination: |
Course -
Grading
Lab - Grading |
Copyright by University of Warsaw.