第一步：导入OPenbci的原始txt文件到matlab里面

第二步：选择我们所需要的矩阵类型（数值矩形）并选取16个通道

第三步：将文件行列转置（eeglab工具包需要）

（记得另存这个文件并记得位置.mat格式）

第四步：（提前安装eeglab工具箱，调用，选择我们需要的数据格式）

第五步：选择刚刚保存的转置后的文件，设置125HZ

这个时候显示如图

第六步：选择通道位置（确定电极位置）-cancel不要选eeglab自带的

Read locations上传自己的脑电采集电极位置，sfp格式的。然后ok即可。

第七步：带通滤波，设置区间为0.1-45HZ(最高和最低分开设置)

重复以上步骤设置最高（我这里打错了）

之后做一个陷波（去除50hz的干扰）

ps：观测信号（也可以进行不良数据的删减）-我这里数据导入的示例数据所以没啥变化

真实数据这样的就可以选中这一部分REJECT手动删除

第八步：事件的设置（需要用到代码，这里的380ms是前面epoch end（sec）每个程序需要修改），event文件里需要如图输入latency type

然后导入事件（如图设置）

这里可以看到有190个事件

然后进行基线矫正（如图）

记得覆盖上次的文件（不覆盖也不影响只是怕后面选错了）

后面默认即可

设置完毕后打开plot 通道数据，把有问题的数据可以根据节段删掉。（我这里数据不明显就不展示了）

这个时候就可以开始跑ICA了（默认就行）

点击Tools->Inspect/label components by map，然后弹出来的对话框点击OK，然后再点OK（超过35个ICA成分会让你再确认一遍），然后会看到：

也可以点击数字查看详情信息

现在有一些基于某些算法的插件可以自动给出判断是否是伪迹，甚至是什么伪迹的概率，比如ICLabel这个插件。我们马上开始用一下，点击Tools->Classify components using ICLabel->Label components，如下所示：

可以看到ICLabel可以给出是什么ICA成分的概率，比如我们刚刚看到的水平眼动和垂直眼动，分别被标记为是eye的概率为98.2%和98.3%。

这里主要是用来判断伪迹的，还可以让ICLabel自动判断并标记哪些ICA成分是伪迹，点击Tools->Classify components using ICLabel->Flag components as artifacts，如下图：

这里你可以设置一个阈值，默认是90%以上概率的眼电和肌电伪迹会被标记为伪迹准备去除，你也可以设置80%，70%都可以。设置50%也没人管你。

ICA去除没有绝对的金标准，有的人严格，有的人宽松。但有的ICA成分分离不完全，那么在去掉伪迹的时候也会去掉一定程度的脑源性信号。

这时就有两个成分被标记为准备rejection的，我们继续点击Tools->Remove components from data。

因为我们这里处理的是连续数据，所以点击Plot single trials。

红色的是我们去掉伪迹之后的，黑色的是之前的，可以看到眼电伪迹都被很好的去掉了。总而言之，去掉水平眼动、垂直眼动、肌电伪迹ICA成分的对比图，都会让我有一种极度舒适的感觉，就像成功的把信号中的灰尘擦掉一样。

把这个关掉，然后点击Accept，那么我们就成功的去掉了上述标注的ICA成分。

参考：手把手系列教程||使用EEGLAB2023版对脑电数据进行预处理 - 知乎 (zhihu.com)

打maker，分段，提epoch的基本操作_eeglab分段-CSDN博客

旭博学长