EEGLAB扩展插件汇总网址及安装方法

2022-10-06 09:10

大家好，我是陈锐。

今天分享内容来源网络整理，内容仅供参考学习分享。

下载 EEGLAB

前往EEGLAB 下载页面(https://sccn.ucsd.edu/eeglab/download.php)下载最新的稳定版 EEGLAB。

从 GitHub 克隆 EEGLAB

从 2014 年开始，可以随时使用 GIT 从 GitHub 下载 EEGLAB 的最新开发版本。

 git clone --recurse-submodules https://github.com/sccn/eeglab.git

EEGLAB 扩展插件

EEGLAB 扩展插件允许您使用 EEGLAB 数据结构来构建和发布新的数据处理或可视化功能。EEGLAB 可以直接从File→Manage EEGLAB 扩展菜单项下载和安装插件。

目录不同 EEGLAB 版本的插件列表安装或更新插件卸载插件访问旧版本的插件/扩展流行的 EEGLAB 插件EEGLAB 默认插件数据采集数据导入预处理EEG/fMRI 伪影去除基于 ICA 的伪影剔除和组件分类统计和信号处理源和连通性分析EEGLAB 硬件和软件要求

不同 EEGLAB 版本的插件列表

下面提供的插件列表与通过相应 EEGLAB 版本的 EEGLAB 插件管理器提供的插件列表相同。

•查看 EEGLAB 2019.1 及更高版本的当前插件列表(https://sccn.ucsd.edu/eeglab/plugin_uploader/plugin_list_all.php)

•查看 EEGLAB 2019.0 的插件列表(https://sccn.ucsd.edu/wiki/Plugin_list_all)（此页面上的插件不再更新）

安装或更新插件

插件可以使用 EEGLAB 插件管理器安装，使用菜单项File → Manage EEGLAB extensions。

插件也可以手动安装。下载插件的 zip 文件后，在 EEGLAB 主“plugins”子目录中解压缩下载的插件文件。如果目录中存在旧版本的插件，删除旧版本更新新版本。然后重新启动 EEGLAB。在启动期间，EEGLAB 应在 MATLAB 命令行上打印以下内容：

> eeglab: adding plugin "eegplugin_myplugin" % (see >> help eegplugin_myplugin)

插件通常会在 EEGLAB 菜单中添加一个或多个新功能。

卸载插件

插件可以很容易地从 EEGLAB Manage extensions中删除。或者，您可以从 EEGLAB 插件文件夹中移动或删除其文件夹，然后重新启动 EEGLAB。

访问旧版本的插件/扩展

如果您需要它们，可以在http://sccn.ucsd.edu/eeglab/plugins/直接下载旧版本的插件。这些不能通过 EEGLAB 扩展管理器安装。只需下载 zip 文件并将其解压缩到eeglab/plugins/文件夹中（并确保删除可能已安装的任何其他版本的插件）。

常见的EEGLAB 插件

EEGLAB 默认插件

这些插件与 EEGLAB 代码一起分发。

FIRfilt(https://github.com/widmann/firfilt)：对 EEGLAB 数据应用各种线性滤波器。
CleanRawData(https://github.com/sccn/clean_rawdata)：使用多种方法清理原始 EEG 数据，包括工件子空间重建。
DIPFIT(https://github.com/sccn/dipfit)：使用球形或边界元头模型对独立数据分量进行偶极子建模。使用 FIELDTRIP 工具箱中的函数。
ICLabel(https://github.com/sccn/IClabel)： EEGLAB 的自动 EEG 独立组件分类器插件。

数据采集

•App-MATLABViewer(https://github.com/labstreaminglayer/App-MATLABViewer/)：将 EEG LSL 流记录为 EEGLAB .set 文件。

数据导入

导入各种类型的数据。

•bids-matlab-tools(https://github.com/sccn/bids-matlab-tools)：bids-matlab-tool 存储库包含一组函数，用于导入和导出 BIDS（脑成像数据结构）格式的实验。

•BIOSIG(http://biosig.sourceforge.net/)：以多种数据格式导入/导出数据。

•FileIO(https://github.com/fieldtrip/fileio) :允许以多种数据格式导入数据的工具箱。它包含与 EEGLAB 冗余的功能，但也包含独特的功能。

•ANTeepimport(https://www.ant-neuro.com/support/supporting-documentation-and-downloads)：以ANT EEG公司的EEP格式导入数据文件。

•bva-io(https://github.com/arnodelorme/bva-io)：从 Brain Vision 软件分析器导入/导出文件。

•Neuroscanio(https://github.com/sccn/neuroscanio)：从 Neuroscan 软件导入/导出文件。

•MFFMATLABIO(https://github.com/arnodelorme/MFFMATLABIO)：以 MFF 格式从 EGI 公司导入/导出文件。

•xdfimport(https://github.com/xdf-modules/xdf-EEGLAB)：以 XDF (LSL) 格式导入文件（仅限 EEG 流和 EEG 标记流）。

•Mobilab(https://github.com/sccn/mobilab)：以 XDF (LSL) 格式导入文件，并允许在 EEGLAB 中以不同的采样率融合流以进行联合处理。

预处理

•IIRfilt(https://github.com/sccn/IIRfilt)：将短非线性无限脉冲响应滤波器应用于 EEGLAB 数据。

•REST(https://github.com/sccn/REST)：一种将头皮脑电图记录参考标准化到无限远点的方法。

•AAR(http://kasku.org/aar/)：自动伪影去除工具箱旨在整合几种最先进的方法，用于自动去除脑电图 (EEG) 中的眼部和肌肉伪影。

•VisEd(https://github.com/BUCANL/Vised-Marks)： EEGLAB 的 Vised Marks 扩展为原生eegplot数据滚动图形添加了编辑功能。具体来说，它允许添加/编辑事件标记、标记通道/组件、标记时间段以及显示标记结构的属性。

•get_chanlocs(https://github.com/sccn/get_chanlocs/wiki)： get_chanlocs EEGLAB 插件从 3-D 扫描头部图像中定位 3-D 电极位置。包含有关如何使用现成设备获取这些图像的教程。

EEG/fMRI 伪影去除

•FMRIB(http://www.fmrib.ox.ac.uk/~rami/fmribplugin)：从 EEGLAB 数据中删除 fMRI 环境伪影。此扩展允许从 fMRI 扫描期间收集的 EEG 数据中删除与扫描仪相关的伪影。另请参阅(https://github.com/sccn/fmrib)。

•BERGEN(https://www.uib.no/en/rg/fmri/)：从同步 EEG-fMRI 数据中去除 fMRI 相关的梯度伪影。EEGLAB 的 BERGEN 扩展为梯度伪影校正提供了不同方法的 GUI。

基于 ICA 的伪影剔除和成分分类

•MARA(http://in.de/irene.winkler/artifacts//www.user.tu-berl/)：自动识别人工独立组件。MARA 是一个线性分类器，它通过从空间、光谱和时间域中提取六个特征来从专家评级中学习。

•faster(https://sourceforge.net/projects/faster/)：实现了一种全自动、无监督的方法来处理高密度脑电图数据。FASTER 包括常见的功能，例如基于 ICA 的数据导入、epoch、重新引用、grand average 创建、自动通道、epoch 和工件拒绝。

•ADJUST(http://www.unicog.org/pm/pmwiki.php/MEG/RemovingArtifactsWithADJUST)：一种完全自动的算法，通过结合刻板的工件特定的空间和时间特征来识别工件相关的独立组件。

•CORRMAP(https://github.com/sccn/corrmap)：基于模板的常见脑电图伪影的半自动识别。CORRMAP 扩展由一组 MATLAB 函数组成，允许识别和聚类代表常见 EEG 伪影的独立组件。

•CIAC(http://www.debener.de/CIAC_tutorial/ciacplugin.html)：人工耳蜗伪影矫正是一种基于 ICA 的半自动工具，用于矫正源自人工耳蜗的电子伪影。

•RELICA(https://github.com/sccn/relica)：RELICA 的目标是在其数据帧或时期的许多随机引导选择中识别最稳定地与分解数据分离的 IC 过程。

•MP_clustering(https://github.com/sccn/mp_clustering)：测量投影分析的工具箱，用于将由源位置标记的 EEG 测量投影到公共模板脑空间，测试局部空间测量一致性，并将测量一致的大脑区域解析为测量可分离的域。

•REGICA(https://doi.org/10.1016/j.bspc.2011.02.001)：通过对 ICA 组件执行回归来删除 EOG 伪影的扩展。还可以使用可用于任何伪影拒绝研究的半模拟数据集。

•SASICA(https://github.com/dnacombo/SASICA)： SASICA 是一个 EEGLAB 插件，可帮助您根据这些组件的各种属性拒绝/选择独立组件。

•Automagic(https://github.com/methlabUZH/automagic)： Automagic 是一个基于 MATLAB 的工具箱，用于对 EEG 数据集进行预处理。它的开发旨在为大（和小）脑电图数据集提供用户友好的预处理软件。

•AMICA(https://github.com/japalmer29/amica)：自适应混合独立分量分析 (AMICA) 是一个二进制程序和 EEGLAB 插件，可对输入数据执行独立分量分析 (ICA) 分解，可能具有多个 ICA 模型。另外，考虑下载 postAmicaUtility 插件。

统计和信号处理

•Fieldtrip-lite(https://github.com/fieldtrip/fieldtrip)： Fieldtrip 是一个独立的工具箱，但也可以作为 EEGLAB 扩展，提供源本地化方法和其他统计方法。

•LIMO(https://github.com/LIMO-EEG-Toolbox/limo_tools)： MEEG数据的线性建模（LIMO MEEG）工具箱是一个EEGLAB插件，专门用于MEEG数据的统计分析。

•ERPLAB(http://www.erpinfo.org/erplab/erplab-home/)：ERPLAB 工具箱是一组开源 MATLAB 例程，用于分析作为 EEGLAB 的一组扩展运行的 ERP 数据。

•EYE-EEG(http://www2.hu-berlin.de/eyelab/)：EYE-EEG 工具箱是 EEGLAB 的扩展，旨在促进电生理和动眼神经数据的综合分析。

•mass_univ(http://openwetware.org/wiki/Mass_Univariate_ERP_Toolbox)： Mass Univariate ERP Toolbox 是一组免费提供的 MATLAB 函数，用于对事件相关脑电位 (ERP) 进行大规模单变量分析，这是认知神经科学中流行的一种非侵入性神经活动测量方法。

•bioelectromag(http://eeg.sourceforge.net/bioelectromagnetism.html)：生物电磁 MATLAB 工具箱在此扩展中连接，以绘制平均 ERP 并找到它们的最小值和最大值（峰值查找）。此扩展中仅包含此工具箱中的少数文件。

源和连通性分析

•SIFT(https://sccn.ucsd.edu/wiki/SIFT)：源信息流工具箱和 EEGLAB 插件计算源解析脑电图数据的多种多元有效因果模型。包括与事件相关的“信息流”网络的交互式可视化和动画。

•NFT(https://github.com/sccn/NFT/wiki)：Neuroelectromagnetic Forward Head Modeling Toolbox 从主题 MR 头部图像和/或从 MNI 模板大脑模型扭曲到测量的电极位置构建自定义边界元方法 (BEM) 和有限元模型 (FEM) 前向头部模型。

•PACTools(https://github.com/sccn/PACTools)：事件相关的 PACTools 是一个 EEGLAB 插件，用于计算单个对象数据中的相位幅度耦合。除了计算 PAC 的传统方法外，该插件还包括互信息相位幅度耦合方法 (MIPAC) 的瞬时和事件相关实现。

•PACT(https://github.com/sccn/PACT)： PACT 是 EEGLAB 扩展，用于计算跨频相位幅度耦合。

•erpsource(https://github.com/sccn/erpsource)：使用 eLoreta 对 ERP 进行源本地化。

EEGLAB 硬件和软件要求

用于 EEGLAB 的理想硬件配置

下面我们概述了 EEGLAB 和相关工具的硬件和软件要求。硬件要求因您要处理的数据集的大小而异。我们分别概述了基本和高级处理所需的两个级别的硬件。也可以在（某些）不太强大的平台上处理数据，但是在尝试使用它们时，您可能最终会花费大量时间来避免“内存不足”错误。EEGLAB 可以在 Windows、Linux 或 Mac OS X 上运行。没有比这更好的操作系统了。

仅使用核心 EEGLAB 功能处理每个被试 32EEG 通道的最低处理要求（和/或非常理想的功能）：

•8Gb RAM（随机存取存储器）

•至少 200 Gb 的可用硬盘空间（如果可能，SSD）

•最新版本的 MATLAB——不需要额外的 MATLAB 工具箱2020版本以上

处理 64 个或更多 EEG 通道和/或使用最新的 EEGLAB 工具箱的正常处理要求（和/或非常理想的功能）：

•四核处理器（需要 4 个或更多）

•16 Gb 或更多 RAM（随机存取存储器）

•至少 1 Tb 的 SSD（SSD 将加快读/写速度高达 5 倍）或混合系统（SSD 128Gb 和大硬盘驱动器）

•最新版本的 MATLAB 和 MATLAB 信号处理、统计和优化工具箱，其功能用于一些高级 EEGLAB 插件。