Loading [MathJax]/jax/input/TeX/config.js
前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >值得收藏!EEG在线视频教程、学习网站、书籍教材大盘点

值得收藏!EEG在线视频教程、学习网站、书籍教材大盘点

原创
作者头像
悦影科技
修改于 2021-02-01 02:03:23
修改于 2021-02-01 02:03:23
1.1K0
举报

《本文同步发布于“脑之说”微信公众号,欢迎搜索关注~~》

由于EEG信号的分析涉及数字信号处理、概率论、统计学等多个学科的知识,这使得很多EEG初学者望而却步。其实,如果静下心来耐心学习,你会发现“山重水复疑无路,柳暗花明又一村”,EEG的学习也并没有那么难。当然,良好的学习素材是开启EEG学习的不可或缺的一部分。这里,笔者从在线视频教程、学习网站和书籍教材三个方面汇总目前的EEG学习素材,希望对正在EEG学习路上的朋友有所帮助。

EEG在线视频教程 1.EEGlab官方视频教程

这是从youtube搬运到B站上的,全英文讲解,共7部分。

B站地址: https://www.bilibili.com/video/BV1E7411u791?from=search&seid=13151548456469588824

2.台湾國立陽明大學卢家锋教授的EEGlab视频教程 也是从youtube搬运到B站上的,共两讲。

B站地址: https://www.bilibili.com/video/BV1xb41187hG?from=search&seid=13151548456469588824

3.ERP数据分析—基于BP分析软件analyzer的使用方法

B站地址: https://www.bilibili.com/video/av91953046

4.EEG/ERP脑电事件相关电位简介 B站地址: https://www.bilibili.com/video/BV1ME411p7Nk

5.curry软件数据处理 B站地址: https://www.bilibili.com/video/BV1JE411p7mD

6.脑电实验注意事项 B站地址: https://www.bilibili.com/video/BV1bE411p7Cp

7.Scan软件数据处理 B站地址: https://www.bilibili.com/video/BV1DE411p77y

8.EEGLAB脑电数据处理 B站地址: https://www.bilibili.com/video/BV1XE411p7Rv

9.尧德中:脑电的现在和未来 B站地址: https://www.bilibili.com/video/BV1ea4y1t7dd?from=search&seid=6294920671548848797

10.胡理:脑电数据分析技术与应用 B站地址: https://www.bilibili.com/video/BV1x7411d7qW?from=search&seid=10197184641996041682

EEG学习网站 关于EEG学习的网站,笔者推荐3个工具包的官方网站。 1.Brainstorm官方网站以及论坛 Brainstorm是一款基于Matlab的开源工具包,可用于分析EEG、MEG等信号。除了关于Briansotrm工具包的使用外,在Brainstorm网站上以及论坛中可以找到很多关于EEG的学习资料,如EEG时频分析的原理、一些统计的基本原理等。 网址:https://neuroimage.usc.edu/forums/ https://neuroimage.usc.edu/brainstorm/

2.EEGlab官方网站 在EEGlab官方网站上,除了能够下载EEGlab工具包和教程外,也有很多的关于EEG的学习资料。EEGlab每年都会举办workshop,里面有很多好的学习素材,感兴趣的可以参考。 网址:https://sccn.ucsd.edu/wiki/EEGLAB

3.Fieldtrip官方网站 与前面两个网站相似,除了关于工具包的资料外,还有很多有用的EEG学习资料。 网址:http://www.fieldtriptoolbox.org/

EEG书籍教材 书不在多而在于精,因此,笔者这里仅推荐3本个人感觉最好的EEG学习教材。

  1. 《Analyzing Neural Time Series Data-Theory and Practice》

该书是RadboundUniversity的Mike Cohen教授所著。本书的特色是用非常浅显易懂的语言介绍EEG各个方面的分析技术和方法,即使是对于没有任何编程基础的小白看起来也毫不费力,很适合刚接触EEG信号的研究者。书的内容主要包括EEG/ERP的预处理、基于不同方法的时频分析、不同功能连接计算方法、空间滤波以及统计分析技术。唯一一点是这本书只有英文版的,不过这本书写作通俗易懂,有一定英语基础的同学读起来应该不是难事。最难能可贵的是,书中配套了大量的示例程序,便于读者练习和理解。

2.《An introduction to Event-related Potential》(Second Edition)

ERP技术被誉为“观察脑的高级功能的窗口”,其通过外部或内部的刺激研究被试大脑在执行某特定认知功能时的潜在神经机制。目前,ERP技术已成为脑科学、神经科学,特别是认知神经科学领域不可或缺的研究利器。本书是ERP领域的大牛Steven Luck教授所写,这已经是第二版了,是ERP研究者不得不读的经典教材。该书详细地介绍了ERP研究中的实验设计、信号的采集与处理技术以及后续的ERP成分分析技术。第二版目前国内已经有了中文版本的,不过个人推荐还是读英文原版的。

3.《事件相关电位原理与技术》

本书同样是介绍ERP技术,应该说是国内出版的关于ERP技术的经典书籍,可以作为入门进行学习。本书是由中国科学院心理研究所的魏景汉老师等所著,魏景汉老师也是国内、国际上ERP研究的大牛,首先观察到解脱波(extrication wave)、二级CNV;创建了研究情绪、MMN、CNV的新的ERP实验方法;首先提出CNV心理负荷学说、大脑半球间优势的两维观点、注意过滤器的可塑性及脑高级功能的多维动态模式等假说。本书的内容也比较全面,从ERP的产生、ERP采集原理,到不同的ERP成分介绍,再到ERP研究中不同的实验范式。

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
Nat. Mach. Intell. | 融合立体电子效应的分子图谱以推动分子机器学习表示的发展
分子表示是本研究理解物质世界的关键要素,也是现代分子机器学习的基础。以往的分子机器学习模型通常使用字符串、指纹特征、全局特征以及简单的分子图,这些表示方式本质上信息较为稀疏。然而,随着预测任务复杂度的提升,分子表示需要编码更高保真度的信息。本研究提出了一种新的方法,通过立体电子效应将富含量子化学信息的数据注入分子图中,从而增强其表达能力与可解释性。通过定制的双图神经网络流程学习预测含立体电子信息的分子表示,使该表示能够应用于任何下游的分子机器学习任务,而无需昂贵的量子化学计算。本研究表明,显式地加入立体电子信息能显著提升二维图神经网络模型在分子性质预测任务中的性能。此外,本研究还展示了在小分子上训练得到的分子表示可以准确地外推至更大的分子结构,揭示了先前难以处理的体系(如完整蛋白质)中轨道相互作用的化学机理,为分子设计开辟了新途径。
DrugAI
2025/06/07
540
Nat. Mach. Intell. | 融合立体电子效应的分子图谱以推动分子机器学习表示的发展
Chem. Soc. Rev. | 机器学习势的发展:从分子到材料
近年来,机器学习势(MLPs, machine learning potentials)迅速发展,并广泛应用于化学、物理和材料科学。MLPs 通过将离散的从头算数据拟合为连续且保持对称性的数学形式,使得大规模、从第一性原理出发的原子级模拟变得高效而精确。本文综述了过去二十年来 MLPs 的发展历程,重点介绍近年来在分子、反应和材料领域提出的先进方法。研究人员还讨论了 MLPs 的代表性应用及其向通用势函数发展的趋势,并总结了该领域当前面临的挑战与机遇。
DrugAI
2025/04/18
3640
Chem. Soc. Rev. | 机器学习势的发展:从分子到材料
Nat. Comput. Sci. | 化学反应网络和机器学习的机会
今年1月中旬,Nature Computational Science上刊登了一篇名为“Chemical reaction networks and opportunities for machine learing”的文章,此文旨在向读者展示机器学习在化学反应网络中的潜在作用和巨大机遇。
DrugAI
2023/02/17
6690
Nat. Comput. Sci. | 化学反应网络和机器学习的机会
中科大蒋彬课题组开发 FIREANN,分析原子对外界场的响应
内容一览:使用传统方法分析化学系统与外场的相互作用,具有效率低、成本高等劣势。中国科学技术大学的蒋彬课题组,在原子环境的描述中引入了场相关特征,开发了 FIREANN,借助机器学习对系统的场相关性进行了很好的描述。
HyperAI超神经
2023/11/27
2500
中科大蒋彬课题组开发 FIREANN,分析原子对外界场的响应
微软华人领衔AI²BMD登Nature,AI生物分子模拟双突破!继AlphaFold后又一里程碑
人们开始意识到,近年来,AI在解析蛋白质结构与设计方面的应用进展迅速。凭借AlphaFold和其他前沿算法,研究人员能够以惊人的速度预测和分析蛋白质的三维结构,破解了这个长期以来困扰生物学界的难题。
新智元
2025/02/14
1230
微软华人领衔AI²BMD登Nature,AI生物分子模拟双突破!继AlphaFold后又一里程碑
Nat. Commun. | 机器学习在化学发现中的应用
2020年8月17日发表在nature communications上的一篇关于"Machine learning for chemical discovery"评论的文章,通讯作者是卢森堡大学物理和材料科学系的Alexandre Tkatchenko教授。发现具有所需属性的化学物质是一个漫长而艰辛的过程。包含数百万个分子的可靠量子力学特性的精选数据集变得越来越可用。从这些数据集中获取化学知识的新型机器学习工具的开发具有革新化学发现过程的潜力。作者对这个新兴领域的最新突破发表评论,并讨论未来几年的挑战。
DrugAI
2021/02/02
7590
Nat. Commun. | 机器学习在化学发现中的应用
Nat. Comput. Sci. | 深度学习驱动的核磁共振化学位移预测:迈向统一的基准与框架
结构-谱图关系的研究是光谱解析的关键,影响分子结构解析与材料设计。然而,由于其复杂性,从分子结构预测光谱仍具挑战性。研究人员在此提出 NMRNet 框架,基于 SE(3) Transformer 建模原子环境,并采用预训练-微调范式。为评估核磁共振化学位移预测模型,研究人员构建了一个涵盖多种化学体系的综合性基准数据集。NMRNet 在液态与固态核磁数据集上均展现出优异表现,验证了其在实际场景中的稳健性与实用性。本研究推动了深度学习在分析与结构化学领域的应用发展。
DrugAI
2025/04/01
1070
Nat. Comput. Sci. | 深度学习驱动的核磁共振化学位移预测:迈向统一的基准与框架
Chem. Sci. | 机器学习原子间势能模型AIMNet2实现复杂元素有机化合物模拟
近年来,机器学习原子间势能(MLIPs)的研究取得了显著进展,为大规模分子动力学模拟提供了一种高效且准确的替代方案。与传统的量子力学方法相比,MLIPs通过拟合量子力学势能面,可在接近量子精度的前提下实现计算效率的大幅提升。然而,现有MLIPs多局限于特定体系或少数元素,通用性不足。
DrugAI
2025/05/12
670
Chem. Sci. | 机器学习原子间势能模型AIMNet2实现复杂元素有机化合物模拟
原创 | 机器学习在分子动力学领域顶会论文初探
作者:王可汗 校对:陈之炎本文约2000字,建议阅读5分钟本文解读了机器学习在分子动力学领域的最新研究,带你速读4篇相关领域的最新顶会论文。 分子动力学是现代计算凝聚态物理的重要力量,它经常用于模拟材料。当前,以机器学习为代表的人工智能技术在分子动力学的科学计算领域潜力巨大,展示出旺盛的生命力和光明前景。本文解读了机器学习在分子动力学领域的最新研究,带你速读4篇相关领域的最新顶会论文。 1.论文题目原文: FORCES ARE NOT ENOUGH: BENCHMARK AND CRITICAL EVALU
数据派THU
2023/03/29
7550
原创 | 机器学习在分子动力学领域顶会论文初探
Nat. Com. Sci. | 从深度学习看β淀粉样蛋白的动力学原理
表征肽β淀粉样蛋白的聚集对于更好地了解阿尔茨海默氏病和寻找药物开发的潜在靶点至关重要。深度神经网络使描述这种肽的动力学成为可能,从而为实现该目标开辟了道路。
DrugAI
2021/02/01
5590
Nat. Com. Sci. | 从深度学习看β淀粉样蛋白的动力学原理
量子化学进入机器学习时代
有“机器学习教父”之称的CMU教授Tom Mitchell曾给出过机器学习的经典定义:假设用P来评估计算机程序在某任务类T上的性能,若一个程序通过利用经验E在T中任务上获得了性能改善,则我们说关于T和P,该程序对E进行了学习。这种学习的特点是,它在T上的被P所衡量的性能,会随着经验E的增加而提高。比如说,用机器学习来判定垃圾邮件,那么提供一堆邮件,其中一些是垃圾邮件,这就是经验E,邮件系统做到自动判定某邮件为垃圾邮件是任务T,而判定的正确率是性能P。
用户7592569
2020/07/27
2.1K0
量子化学进入机器学习时代
Nat. Comput. Sci. | 通过结合比较网络计算配体的相对亲和力
今天为大家介绍的是来自Xutong Li, Xiaomin Luo和Mingyue Zheng团队的一篇论文。先导化合物优化是药物发现领域的一个关键挑战。目前,这一领域大部分还是依赖于假设和药物化学家的先前经验。作者为了应对这一挑战,提出了一种基于物理信息图注意力机制的配对结合比较网络(PBCNet),专门用于对同类配体的相对结合亲和力进行排名。通过在两个独立数据集上的基准测试, PBCNet在预测准确性和计算效率方面都显示出了显著的优势。
DrugAI
2024/01/19
2290
Nat. Comput. Sci. | 通过结合比较网络计算配体的相对亲和力
Adv. Mater. | 量子化学与机器学习在能量与性质预测上的演变
今天为大家介绍的是来自多伦多大学的Alán Aspuru-Guzik团队的一篇论文。计算化学是理解分子和预测化学性质的重要工具。然而,由于求解薛定谔方程的困难以及随着分子系统规模增加而带来的计算成本的增加,传统的计算方法面临着重大挑战。为此,利用人工智能(AI)和机器学习(ML)技术进行计算实验引起了极大的兴趣。将AI和ML引入计算化学可以提高化学空间探索的可扩展性和速度。然而,在ML模型的可重复性和可转移性方面挑战依然存在。这篇综述强调了ML在学习、补充或替代传统计算化学以进行能量和性质预测方面的演变。从完全基于数值数据训练的模型开始,向着包含或学习量子力学物理规律的理想模型迈进。本文还回顾了现有的计算方法和ML模型及其相互结合,概述了未来研究的路线图,并确定了改进和创新的领域。最终目标是开发能够预测薛定谔方程准确且可转移解的AI架构,从而彻底变革化学和材料科学中的计算实验。
DrugAI
2024/07/16
3520
Adv. Mater. | 量子化学与机器学习在能量与性质预测上的演变
前沿报告 | 机器学习在化学和材料科学中的应用
机器学习方法已被应用于预测分子和固体的能量和性质,并且这种应用的受欢迎程度急剧增加。原子相互作用的量子性质使能量评估的计算量很大,因此,当需要进行许多此类计算时,机器方法尤其有用。近年来,ML 在化学和材料研究中的不断扩展的应用包括预测相关分子的结构,基于分子动力学模拟计算能表面,识别具有所需材料特性的结构以及创建机器学习的密度泛函。对于这些类型的问题,输入描述符必须以紧凑的方式解决原子环境中的差异。
数据科学人工智能
2022/03/31
2.2K0
前沿报告 | 机器学习在化学和材料科学中的应用
Chem. Sci. | 从大规模量子化学数据中学习分子力学力场
今天为大家介绍的是来自John D. Chodera团队的一篇论文。开发可靠且可扩展的分子力学(MM)力场——这些快速的用于描述分子系统势能面的经验模型——对于生物分子模拟和计算辅助药物设计是不可或缺的。在此,作者介绍了一种通用且可扩展的机器学习MM力场——espaloma-0.3,以及一个使用图神经网络的端到端可微分框架以克服传统基于规则的方法的限制。espaloma-0.3在单个GPU上训练一天即可拟合一个包含超过110万次能量和力计算的多样化量子化学数据集,能再现与药物发现高度相关的化学领域(包括小分子、肽和核酸)的量子化学能量特性。此外,该力场保持了小分子的量子化学能量最小化几何结构,并保留了肽和折叠蛋白的凝聚相特性,自洽地参数化蛋白质和配体,生成稳定的模拟结果,从而高度准确地预测结合自由能。此方法展示了系统构建更准确且易于扩展到新化学领域的力场的显著潜力。
DrugAI
2024/07/30
1760
Chem. Sci. | 从大规模量子化学数据中学习分子力学力场
Nat. Commun. | 机器学习势能中的炼金自由度:插值与微分新策略
机器学习原子间势(MLIPs)已成为现代原子模拟的重要工具。近期,基于大规模数据集预训练的通用MLIPs展现出优异的精度与泛化能力。然而,其计算成本仍限制了在化学无序系统(需大尺寸模拟单元)或采样密集型统计方法中的应用。研究人员在本研究中引入了连续且可微的炼金自由度,利用图神经网络MLIPs中将元素表示为实值张量的特性。该方法在输入图中加入具有权重的炼金原子,并调整了MLIP的消息传递与读出机制,从而实现材料组成状态之间的平滑插值。借助MLIP的端到端可微性,研究人员可高效计算能量对组成权重的梯度。据此,提出了用于优化固溶体组成以实现目标宏观性质、解析多组分氧化物的有序与无序结构,以及开展炼金自由能模拟以量化空位形成与成分变化自由能的方法。
DrugAI
2025/05/12
1140
Nat. Commun. | 机器学习势能中的炼金自由度:插值与微分新策略
Nat. Comput. Sci. | 通过图神经网络快速评估有机分子在金属上的吸附能量
今天为大家介绍的是一篇使用图神经网路快速评估有机分子在金属上的吸附能量的论文。在异质催化中进行建模需要对吸附在表面上的分子的能量进行广泛评估。这通常通过密度泛函理论来实现,但对于大型有机分子来说,这需要巨大的计算时间,从而损害了该方法的可行性。在这里,作者设计了GAME-Net,一种用于快速评估吸附能的图神经网络。GAME-Net在一个平衡的化学多样性数据集上进行训练,其中包含了具有不同官能团的C分子,包括N、O、S和C芳香环。该模型在测试集上的平均绝对误差为0.18电子伏,并且比密度泛函理论快了6个数量级。应用于生物质和塑料中,预测的吸附能误差为0.016电子伏每个原子。该框架为催化材料的快速筛选提供了可用工具,特别适用于传统方法无法模拟的系统。
DrugAI
2023/09/19
4350
Nat. Comput. Sci. |  通过图神经网络快速评估有机分子在金属上的吸附能量
Nat. Comput. Sci. | 利用机器学习引导的对接筛选,实现快速遍历广阔化学空间
按需合成的化学库迅速增长,为虚拟筛选在药物发现中提供了前所未有的机会。然而,即便是最快的基于结构的对接方法,也难以筛选规模达数十亿的化学库。本研究提出了一种结合机器学习和分子对接的策略,实现对超大规模数据库的快速虚拟筛选。研究人员首先对100万种化合物进行分子对接,并训练分类算法识别高评分化合物。随后,利用保序预测框架从数十亿化合物库中筛选出候选化合物,减少需要对接评分的数量。实验表明,CatBoost 分类器在速度和准确性之间取得最佳平衡,并用于优化超大规模筛选流程。对35亿种化合物的应用显示,该方法可将计算成本降低超过1000倍。实验验证表明,该方法成功发现了G蛋白偶联受体的配体,并筛选出具有多靶点活性的化合物,为精准治疗提供了新思路。
DrugAI
2025/03/17
1100
Nat. Comput. Sci. | 利用机器学习引导的对接筛选,实现快速遍历广阔化学空间
Nat. Comput.Sci. | AI助力M-OFDFT实现兼具精度与效率的电子结构方法
编者按:为了使电子结构方法突破当前广泛应用的密度泛函理论(KSDFT)所能求解的分子体系规模,微软研究院科学智能中心的研究员们基于人工智能技术和无轨道密度泛函理论(OFDFT)开发了一种新的电子结构计算框架 M-OFDFT。这一框架不仅保持了与 KSDFT 相当的计算精度,而且在计算效率上实现了显著提升,并展现了优异的外推性能,为分子科学研究中诸多计算方法的基础——电子结构方法开辟了新的思路。相关研究成果已在国际知名学术期刊《自然-计算科学》(Nature Computational Science)上发表。
DrugAI
2024/03/18
1410
Nat. Comput.Sci. | AI助力M-OFDFT实现兼具精度与效率的电子结构方法
【双清论坛】国内计算化学方法与软件开发(Ⅱ)
本文是国内计算方法与软件开发系列推文的第二部分:分子力场与动力学模拟。 全原子分子力场 ● 北京大学的蒋帆、吴云东等近年来开发了一系列残基特异性力场(RSFF)。新力场能够更准确地模拟多肽和蛋白质体系。这一系列的RSFF力场借助GROMACS软件实现。 ● 孙淮(现上海交通大学)早年在美国期间开发了广泛使用的COMPASS力场。回国后,他与合作者发展了TEAM力场框架,在此框架下的某些力场在GROMACS软件中实现。孙淮还与国外的公司合作,开发了COMPASS II通用力场,可以用来模拟类药小分子和高分子等
用户7592569
2020/07/27
1.4K0
推荐阅读
Nat. Mach. Intell. | 融合立体电子效应的分子图谱以推动分子机器学习表示的发展
540
Chem. Soc. Rev. | 机器学习势的发展:从分子到材料
3640
Nat. Comput. Sci. | 化学反应网络和机器学习的机会
6690
中科大蒋彬课题组开发 FIREANN,分析原子对外界场的响应
2500
微软华人领衔AI²BMD登Nature,AI生物分子模拟双突破!继AlphaFold后又一里程碑
1230
Nat. Commun. | 机器学习在化学发现中的应用
7590
Nat. Comput. Sci. | 深度学习驱动的核磁共振化学位移预测:迈向统一的基准与框架
1070
Chem. Sci. | 机器学习原子间势能模型AIMNet2实现复杂元素有机化合物模拟
670
原创 | 机器学习在分子动力学领域顶会论文初探
7550
Nat. Com. Sci. | 从深度学习看β淀粉样蛋白的动力学原理
5590
量子化学进入机器学习时代
2.1K0
Nat. Comput. Sci. | 通过结合比较网络计算配体的相对亲和力
2290
Adv. Mater. | 量子化学与机器学习在能量与性质预测上的演变
3520
前沿报告 | 机器学习在化学和材料科学中的应用
2.2K0
Chem. Sci. | 从大规模量子化学数据中学习分子力学力场
1760
Nat. Commun. | 机器学习势能中的炼金自由度:插值与微分新策略
1140
Nat. Comput. Sci. | 通过图神经网络快速评估有机分子在金属上的吸附能量
4350
Nat. Comput. Sci. | 利用机器学习引导的对接筛选,实现快速遍历广阔化学空间
1100
Nat. Comput.Sci. | AI助力M-OFDFT实现兼具精度与效率的电子结构方法
1410
【双清论坛】国内计算化学方法与软件开发(Ⅱ)
1.4K0
相关推荐
Nat. Mach. Intell. | 融合立体电子效应的分子图谱以推动分子机器学习表示的发展
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档