一、数据质量检查和预处理
数据质量检查包括：检查是否存在坏的导联、Marker信息是否完整、信号是否有过大的波动或漂移等。
数据预处理包括：数据导入（格式转换）、定位电极、滤波、重参考、分段、手工去除伪迹（坏段、坏导联）、伪迹校正（基于ICA去眼电等）。
注：预处理步骤可根据实际实验任务加以调整。
二、EEG基础指标计算
（1）计算ERP波幅。对于事件相关的实验数据，通过叠加平均的方式，计算特定刺激诱发的ERP波幅。
（2）计算功率谱。对于静息态实验数据，通过傅里叶变换，计算各波段（delta ~ gamma）的功率谱密度（PSD）。
（3）计算时频特征。通过短时傅里叶变换（或小波变换），计算时频图（power）。
（4）计算功能连通性（脑网络）。对于静息态实验数据，计算通道之间的功能连通性，所有通道之间的功能连通性可构成脑网络。功能连通性的计算方式可选：相干（Coherence）、相位锁定值（PLV）等。
注：上述内容包含了常见的脑电指标，如果您需要其他指标来构建后续的脑电特征，可以参考我们的脑电数据处理业务（请直接点击以下文字），也可联系我们进行协商：
思影数据处理业务四：EEG/ERP数据处理
三、特征构建与特征筛选
3.1 特征构建
- ERP特征。计算感兴趣通道的ERP幅值后，每个时间点的ERP幅值可以作为一个特征。
2. 功率谱特征。计算各区域（或各通道）在每个波段（delta ~ gamma）的功率谱。单一区域（或通道）的某波段的平均绝对/相对功率谱密度（PSD/rPSD），可以作为一个特征。区域的分辨率可调节（如按照10-5、10-20系统选择通道）。
图示.各组别各波段的功率谱密度分布。
3.信息论特征。计算各区域（或各通道）的排列熵，Kolmogorov复杂度等指标，每个区域（或通道）的信息论指标可以作为一个特征。
4.地形图特征。计算时域或频域幅值的地形图，使用地形图或其衍生指标（如GFP，Global Field Power）作为特征。
5.脑网络。将每个通道视为一个节点，节点之间的联系（功能连通性）视为一条连边，每条连边即为一个特征。
图示. 频谱、信息论、功能连通性等多种特征的组合。
6.RQA特征。对于各通道的静息态数据，基于相位空间构建递归图，进行递归量化分析（Recurrence quantification analysis），提取递归率（RR）、决定论（DET）、熵（ENTR）、分层性（LAM）等作为特征。
3.2 特征筛选
1. 相关法。计算每个特征与量表的相关性（如皮尔逊相关），保留相关值高的特征。
2. 参数检验法。对不同组别人群的特征做假设检验（比如对两组人群的特征做双样本T检验），保留通过假设检验的特征。
3. 主成分分析（PCA）法。将所有特征分解成一系列主成分，保留排名靠前的主成分作为特征。
4. 递归特征消除法。循序渐进地删除影响最小的特征，直至保留特定数目的最重要的特征为止。
注：我们可以提供的特征构建、特征筛选方法包括但不限于上述描述，您可以选择其中一种或多种进行组合。
三、机器学习模型
1. K近邻（k-Nearest Neighbor，KNN）。K近邻是一个比较基础的分类算法，该算法计算测试样本与已知样本之间的距离，并将测试样本判定为与其距离最近的类别。
2. 决策树（Decision Tree）。该模型选用一些特征作为决策变量，基于特定的阈值形成决策分支，最终形成树状的决策链条。
3. 支持向量机（SVM）。在许多情况下，支持向量机都是二分类模型的首选。通过使用核函数，即使基于线性不可分的数据，也可获得较好的分类精度。引入投票机制后，亦可将该模型应用于多分类场景。
图示.使用SVM进行训练的过程。
4. 集成学习。当单一的分类器性能不良时，可以考虑集成多个弱分类器，形成一个强分类器。可选的集成学习模型有随机森林等。
图示.随机森林分类过程。
5. 回归模型。回归模型主要用于预测连续变量（如量表得分）。可选的回归模型有线性回归（GLM）、多项式回归等，也包含其变种，如LASSO回归、岭回归、Elastic Net等。
6. 神经网络。当没有良好的手工选择的特征时，可以考虑选用深度神经网络（主要基于CNN来实现）模型。该模型可以自动从原始数据中提取特征，用于后续的预测任务。
图示.一种卷积神经网络架构。
7. 聚类。当数据没有标签时，可以选择无监督学习算法，如K-means聚类。
注：思影可以提供的机器学习模型包括但不限于以上内容。其他模型如朴素贝叶斯（Naive Bayes）、线性判别分析（LDA）、主成分分析（PCA）、或上述模型的变种，亦可根据需求实现。您可以选择其中的一种或多种进行尝试。
一、结果汇报&可视化
结果汇报内容包括：
（1）对于分类模型，可汇报敏感性、特异性、总精度、曲线下面积等精度指标；
（2）对于回归模型，可以汇报相关值、MSE、MAE等精度指标；
（3）置换检验的结果，如p值。
图示.精度结果可视化案例。
图示.ROC曲线可视化。
结果可视化内容包括：
（1）对于分类模型，可绘制ROC曲线图；
（2）对于回归模型，可绘制相关图；
（3）对于模型训练过程中发现的贡献较大的特征，可绘制曲线图、矩阵图、圈状图、地形图等。
图示.频谱特征结果可视化案例。
五、定制化服务
图示.工程师在讨论。
1. 分析方法可定制。思影科技可根据您提供的模板文献，基于您的实验数据，实现文献中使用的数据分析方法。此外，未列出的分析方法，只要在思影科技的能力范围内，尽力实现您的想法。
2. 分析代码可定制。在没有现有的软件适用于您的数据分析需求时，思影科技会与您协商，通过编写代码实现您的想法，并提供代码的完整实现。
3.可视化方案可定制。如果您有特殊的可视化方案要求，也可与我们协商实现。
