English

المحطة 8 · الدرس 5

حساب المقاييس مسبقاً (precompute)

أساسي15 دقيقةقبل هذا الدرس: التصميم والمتغيّراتاطبع البطاقة
تبدأ من: animal_mine.study (D6) · ما طُبّق عليه قبل هذا الدرس: إنشاء STUDY، التصميم والمتغيّراتتنزيل البيانات (يفتح في نافذة جديدة)
سكربت الوصول لهذه الحالة
MATLAB
[ALLEEG, EEG, CURRENTSET, ALLCOM] = eeglab;
% Folder for the course data (change it)
dataFolder = 'C:\Users\me\Documents\eeg-course';

% Download the ready Go-nogo STUDY once and unzip it in its own folder
zipDir = fullfile(dataFolder, 'animal_study');
studyFile = dir(fullfile(zipDir, '**', 'animal.study'));
if isempty(studyFile)
    zipFile = fullfile(dataFolder, 'animal_study.zip');
    websave(zipFile, 'https://sccn.ucsd.edu/eeglab/download/animal_study.zip');
    unzip(zipFile, zipDir);
    studyFile = dir(fullfile(zipDir, '**', 'animal.study'));
end
studyDir = studyFile(1).folder;

% Convert the old .dat data files to .fdt once: resaving them in their old format damages the data in EEGLAB 2026.1
setFiles = dir(fullfile(studyDir, '*', '*.set'));
for k = 1:numel(setFiles)
    [~, base] = fileparts(setFiles(k).name);
    folder = setFiles(k).folder;
    if ~exist(fullfile(folder, [base '.fdt']), 'file')
        TMP = pop_loadset('filename', setFiles(k).name, 'filepath', folder);
        pop_saveset(TMP, 'filename', setFiles(k).name, 'filepath', folder, 'savemode', 'twofiles');
        if exist(fullfile(folder, [base '.fdt']), 'file') && exist(fullfile(folder, [base '.dat']), 'file')
            delete(fullfile(folder, [base '.dat']));
        end
    end
end

% Rebuild animal_mine.study (create-study lesson) if it is missing
if ~exist(fullfile(studyDir, 'animal_mine.study'), 'file')
    gender = containers.Map( ...
        {'cba','clm','ega','fsa','gro','hth','lmi','mba','mma','mta','pla','sce','sph','wpa'}, ...
        {'F',  'F',  'F',  'M',  'M',  'M',  'F',  'F',  'M',  'F',  'M',  'F',  'M',  'M'});
    files = dir(fullfile(studyDir, '*', '*.set'));
    commands = {};
    for k = 1:numel(files)
        hdr = pop_loadset('filename', files(k).name, 'filepath', files(k).folder, 'loadmode', 'info');
        subj = hdr.subject;
        if isempty(subj), [~, subj] = fileparts(files(k).folder); end
        cond = hdr.condition;
        if isempty(cond)
            if contains(files(k).name, 'distractor'), cond = 'distractor'; else, cond = 'animal'; end
        end
        if ~isKey(gender, lower(subj))
            error('No gender entry for subject %s (%s)', subj, files(k).name);
        end
        commands{end+1} = {'index', k, 'load', fullfile(files(k).folder, files(k).name), ...
            'subject', subj, 'condition', cond, 'group', gender(lower(subj))};
    end
    [STUDY, ALLEEG] = std_editset([], [], 'name', 'Go-nogo animal (mine)', ...
        'task', 'Go-nogo categorization', 'commands', commands, 'updatedat', 'on');
    STUDY = pop_savestudy(STUDY, ALLEEG, 'filename', 'animal_mine.study', ...
        'filepath', studyDir, 'resavedatasets', 'on');
end
[STUDY, ALLEEG] = pop_loadstudy('filename', 'animal_mine.study', 'filepath', studyDir);

% Designs 2 and 3 (study-design lesson); design 2 is the current one
STUDY = std_makedesign(STUDY, ALLEEG, 2, 'name', 'image x gender', ...
    'variable1', 'condition', 'values1', {'animal', 'distractor'}, 'vartype1', 'categorical', ...
    'variable2', 'group', 'values2', {'F', 'M'}, 'vartype2', 'categorical');
STUDY = std_makedesign(STUDY, ALLEEG, 3, 'name', 'image only', ...
    'variable1', 'condition', 'values1', {'animal', 'distractor'}, 'vartype1', 'categorical', ...
    'variable2', 'none');
STUDY = std_selectdesign(STUDY, ALLEEG, 2);
STUDY = pop_savestudy(STUDY, ALLEEG, 'savemode', 'resave');

CURRENTSTUDY = 1; EEG = ALLEEG; CURRENTSET = 1:length(EEG);
eeglab redraw;

الفكرة باختصار

لرسم ERPمتوسط استجابة الدماغ لحدث معيّن عبر محاولات كثيرة. المجموعة يحتاج EEGLAB متوسط كل مشاركparticipantالشخص الذي سُجّلت بياناته في التجربة. في كل شرطconditionحالة تجريبية نقارن بينها وبين غيرها، مثل "مألوف" و"غير مألوف".. حسابه من البيانات الخام في كل مرة ترسم فيها بطيء، خاصة للطيف و ERSPتغيّر القدرة عند كل تردد وزمن مقارنة بفترة baseline..

لذلك تحسب الـ STUDYبنية في EEGLAB تجمع داتاست عدة مشاركين لتحليلها معاً. كل مقياس مرة واحدة، وتحفظه في ملف بجانب ملفات كل مشارك. بعدها يقرأ الرسم والإحصاء من هذه الملفات مباشرة.

نقطتان تجعلان هذه الخطوة أهم مما تبدو:

قبل وبعد

قبل الحساب: مجلد المشارك sph فيه sphanimal.set و sphdistractor.set مع ملفي بياناتهما .dat، وتحتها باهتة ملفات EEGLAB 6 القديمة مثل sphanimal.daterp و sphanimal.icaerp بوسم قديمة، لا تُستعمل. بعد الحساب: نفس المجلد وفيه أيضاً ثلاثة ملفات جديدة مظلّلة: sph.daterp و sph.datspec و sph.dattimef، وبجانب كل ملف شريط بطول حجمه.
رسم توضيحي، والأحجام تقدير حتى تُقاس

أسئلتك بعد هذا، كل جواب في قسمه:

لماذا أحتاج هذه الخطوة؟

السبب بالتفصيل، والمصطلحات التي تحتاجها
  • ما تختاره هنا يدخل في كل النتائج. خط الأساس، الاستيفاءinterpolationتقدير إشارة قناة محذوفة من القنوات المحيطة بها.، وحذف مكوّنات ICAطريقة تفصل الإشارة المسجّلة إلى مصادر مستقلة، بعضها دماغي وبعضها آرتفاكت. تُطبَّق وقت الحساب. إذا غيّرت رأيك تعيد الحساب.
  • EEGLAB يحفظ كل محاولةtrialتكرار واحد للمهمة في التجربة، غالباً حول مثير واحد. (trial) وحدها، لا المتوسط فقط. هذا يسمح باختيار المحاولات لاحقاً في تصميمdesignتحديد الشروط والمجموعات التي يقارن بينها STUDY.، لكنه يأخذ مساحة كبيرة مع ERSP.

لماذا أحتاج هذه الخطوة؟

  • ما تختاره هنا يدخل في كل النتائج. خط الأساس، والاستيفاء، وحذف مكوّنات ICA تُطبَّق وقت الحساب. إذا غيّرت رأيك تعيد الحساب.
  • EEGLAB يحفظ كل محاولة (trial) وحدها، لا المتوسط فقط. هذا يسمح باختيار المحاولات لاحقاً في التصميم، لكنه يأخذ مساحة كبيرة مع ERSP.

كيف أطبّقها في EEGLAB؟

14 خطوة من القوائم

عن البيانات (D6): نفس animal_mine.study من درس الإنشاء، مع التصميم 2 image x gender من درس التصميم. سكربتscriptملف أوامر MATLAB ينفّذ خطوات المعالجة بالترتيب. “نقطة البداية” يعيد بناءهما إذا لم يجدهما.

أولاً: افتح نافذة الحساب

  1. شغّل سكربت “نقطة البداية”. تظهر الـ STUDY في النافذة الرئيسية.
  2. افتح Study ثم Precompute channel measures. في أعلى النافذة: Pre-compute channel measures for STUDY ‘Go-nogo animal (mine)’.

ثانياً: خيارات البيانات (الجزء العلوي)

  1. Spherical interpolation of missing channels (performed after optional ICA removal below): أبقه مفعّلاً، فهو مفعّل افتراضياً في النافذة. إذا كانت كل الملفات بنفس قناةchannelالإشارة المسجّلة من قطب واحد، وهي ما يعرضه EEGLAB.، كما فحصت في الدرس الأول، فلا يغيّر شيئاً.
  2. Remove ICA artifactual components pre-tagged in each dataset: اتركه غير مفعّل الآن. انظر الفقرة “متى أحذف مكوّنات ICA؟” أدناه.
  3. Remove artifactual ICA cluster or clusters (hold shift key): اتركه غير مفعّل. يحتاج clusters من درس تجميعclusteringتجميع مكوّنات ICA المتشابهة من عدة مشاركين في مجموعات. المكوّنات.

ثالثاً: المقاييس (الجزء السفلي)

  1. فعّل ERPs، ثم اضغط زر … بجانبه. تفتح نافذة Select parameters for ERP.
  2. في Baseline (min max) (“rmbase”) اكتب بداية الإيبوك بالـ ms ثم 0. خذ البداية من Epoch start (sec) التي سجّلتها في الدرس الأول واضربها في 1000. في هذه النسخة البداية -1 sec، فاكتب -1000 0. اضغط Ok.
  3. فعّل Power spectrum واترك قيمته الافتراضية 'specmode', 'fft', 'logtrials', 'off'.
  4. لا تفعّل ERSPs و ITCs هنا. النافذة تحسبها لكل القنوات، وهذا يأخذ وقتاً طويلاً ومساحة كبيرة جداً. بالشبكة الافتراضية (100 تردد و 200 نقطة زمنية) تأخذ حوالي 1.5 GB لكل مشارك. نحسبها بالسكربت بشبكة أخف.
  5. أبقِ Overwrite files on disk مفعّلاً، حتى لا يُستخدم ملف قديم بإعدادات مختلفة. إذا وُجدت ملفات من قبل، تسأل النافذة WARNING: SOME DATAFILES ALREADY EXIST, OVERWRITE THEM?، وتنبّه أن STUDY أخرى على نفس الملفات قد تتأثر. اضغط Yes: animal.study الجاهزة و animal_mine.study تشتركان في المجلدات، ونحن نعمل على نسختنا.
  6. اضغط Ok. الحساب يأخذ دقيقة إلى دقيقتين للـ 14 مشاركاً، وتظهر أسطر التقدم في نافذة الأوامر.

رابعاً: ERSP و ITC بالسكربت

شغّل السكربت أدناه. في استدعاء واحد يعيد حساب ERP والطيف بنفس اختيارات النافذة، ويضيف ERSP و ITC لكل القنوات بـ 20 تردداً من 3 إلى 30 Hz و 50 نقطة زمنية، بدل 100 تردد و 200 نقطة الافتراضية. لماذا كل القنوات لا القناتين اللتين تحتاجهما فقط؟ في EEGLAB 2026.1 لا يمكن قراءة ملف ERSP حُسب لبعض القنوات: يتوقف الرسم بالرسالة Unrecognized field name "chan1"، لأن الملف يسمّي كل قناة برقمها في القائمة الكاملة، والقارئ يستعمل مكانها في القائمة القصيرة. الشبكة الأخف لكل القنوات تتجنب هذا وتُبقي الملفات صغيرة.

خامساً: انظر إلى الملفات

  1. افتح مجلد أول مشارك (cba). فيه ثلاثة ملفات جديدة باسم رمز المشارك فقط، مثل cba.daterp: .daterp (ERP) و .datspec (الطيف) و .dattimef (التحليل الزمني الترددي لكل محاولة). ERSP و ITC يُحسبان كلاهما من .dattimef وقت الرسم، فلا ملف منفصل لهما.
  2. الملفات الأقدم التي في اسمها الشرط، مثل cbaanimal.daterp، هي ملفات EEGLAB 6 من سنة 2007. أسماؤها تختلف عن الجديدة، فلا يقرؤها EEGLAB ولا يكتب فوقها: تبقى بلا استعمال. يمكنك تركها أو حذفها.
  3. لاحظ أن الملف الجديد واحد لكل مشارك، لا لكل ملف .set. EEGLAB يجمع محاولات الشرطين في ملف واحد، ويفرّقها عند الرسم حسب التصميم.
متى أحذف مكوّنات ICA؟

خيار Remove ICA artifactual components pre-tagged in each dataset يحذف المكوّنات المعلّمة كتشويش في كل ملف وقت الحساب، ولا يغيّر الملفات نفسها. يعمل فقط إذا كان في الملفات أوزان ICA وعلامات، وهذا ما فحصته في الدرس الأول. إذا كانت أوزان ICA موجودة بلا علامات: مع الـ STUDY مفتوحة افتح Tools ثم Classify components using ICLabel ثم Label components ثم Tools ثم Classify components using ICLabel ثم Flag components as artifacts. تُطبَّق على كل الملفات المحددة. بعدها فعّل الخيار وأعد الحساب. لا تفعّله إذا كانت المكوّنات حُذفت من البيانات أصلاً قبل الـ STUDY.

متى أحذف مكوّنات ICA؟

خيار Remove ICA artifactual components pre-tagged in each dataset يحذف المكوّنات المعلّمة كتشويش في كل ملف وقت الحساب، ولا يغيّر الملفات نفسها. يعمل فقط إذا كان في الملفات أوزان ICA وعلامات، وهذا ما فحصته في الدرس الأول. إذا كانت أوزان ICA موجودة بلا علامات: مع الـ STUDY مفتوحة افتح Tools ثم Classify components using ICLabel ثم Label components ثم Tools ثم Classify components using ICLabel ثم Flag components as artifacts. تُطبَّق على كل الملفات المحددة. بعدها فعّل الخيار وأعد الحساب. لا تفعّله إذا كانت المكوّنات حُذفت من البيانات أصلاً قبل الـ STUDY.

كيف أطبّقها في EEGLAB؟

عن البيانات (D6): نفس animal_mine.study من درس الإنشاء، مع التصميم 2 image x gender من درس التصميم. سكربت “نقطة البداية” يعيد بناءهما إذا لم يجدهما.

أولاً: افتح نافذة الحساب

  1. شغّل سكربت “نقطة البداية”. تظهر الـ STUDY في النافذة الرئيسية.
  2. افتح Study ثم Precompute channel measures. في أعلى النافذة: Pre-compute channel measures for STUDY ‘Go-nogo animal (mine)’.

ثانياً: خيارات البيانات (الجزء العلوي)

  1. Spherical interpolation of missing channels (performed after optional ICA removal below): أبقه مفعّلاً، فهو مفعّل افتراضياً في النافذة. إذا كانت كل الملفات بنفس القنوات، كما فحصت في الدرس الأول، فلا يغيّر شيئاً.
  2. Remove ICA artifactual components pre-tagged in each dataset: اتركه غير مفعّل الآن. انظر الفقرة “متى أحذف مكوّنات ICA؟” أدناه.
  3. Remove artifactual ICA cluster or clusters (hold shift key): اتركه غير مفعّل. يحتاج clusters من درس تجميع المكوّنات.

ثالثاً: المقاييس (الجزء السفلي)

  1. فعّل ERPs، ثم اضغط زر … بجانبه. تفتح نافذة Select parameters for ERP.
  2. في Baseline (min max) (“rmbase”) اكتب بداية الإيبوك بالـ ms ثم 0. خذ البداية من Epoch start (sec) التي سجّلتها في الدرس الأول واضربها في 1000. في هذه النسخة البداية -1 sec، فاكتب -1000 0. اضغط Ok.
  3. فعّل Power spectrum واترك قيمته الافتراضية 'specmode', 'fft', 'logtrials', 'off'.
  4. لا تفعّل ERSPs و ITCs هنا. النافذة تحسبها لكل القنوات، وهذا يأخذ وقتاً طويلاً ومساحة كبيرة جداً. بالشبكة الافتراضية (100 تردد و 200 نقطة زمنية) تأخذ حوالي 1.5 GB لكل مشارك. نحسبها بالسكربت بشبكة أخف.
  5. أبقِ Overwrite files on disk مفعّلاً، حتى لا يُستخدم ملف قديم بإعدادات مختلفة. إذا وُجدت ملفات من قبل، تسأل النافذة WARNING: SOME DATAFILES ALREADY EXIST, OVERWRITE THEM?، وتنبّه أن STUDY أخرى على نفس الملفات قد تتأثر. اضغط Yes: animal.study الجاهزة و animal_mine.study تشتركان في المجلدات، ونحن نعمل على نسختنا.
  6. اضغط Ok. الحساب يأخذ دقيقة إلى دقيقتين للـ 14 مشاركاً، وتظهر أسطر التقدم في نافذة الأوامر.

رابعاً: ERSP و ITC بالسكربت

شغّل السكربت أدناه. في استدعاء واحد يعيد حساب ERP والطيف بنفس اختيارات النافذة، ويضيف ERSP و ITC لكل القنوات بـ 20 تردداً من 3 إلى 30 Hz و 50 نقطة زمنية، بدل 100 تردد و 200 نقطة الافتراضية. لماذا كل القنوات لا القناتين اللتين تحتاجهما فقط؟ في EEGLAB 2026.1 لا يمكن قراءة ملف ERSP حُسب لبعض القنوات: يتوقف الرسم بالرسالة Unrecognized field name "chan1"، لأن الملف يسمّي كل قناة برقمها في القائمة الكاملة، والقارئ يستعمل مكانها في القائمة القصيرة. الشبكة الأخف لكل القنوات تتجنب هذا وتُبقي الملفات صغيرة.

خامساً: انظر إلى الملفات

  1. افتح مجلد أول مشارك (cba). فيه ثلاثة ملفات جديدة باسم رمز المشارك فقط، مثل cba.daterp: .daterp (ERP) و .datspec (الطيف) و .dattimef (التحليل الزمني الترددي لكل محاولة). ERSP و ITC يُحسبان كلاهما من .dattimef وقت الرسم، فلا ملف منفصل لهما.
  2. الملفات الأقدم التي في اسمها الشرط، مثل cbaanimal.daterp، هي ملفات EEGLAB 6 من سنة 2007. أسماؤها تختلف عن الجديدة، فلا يقرؤها EEGLAB ولا يكتب فوقها: تبقى بلا استعمال. يمكنك تركها أو حذفها.
  3. لاحظ أن الملف الجديد واحد لكل مشارك، لا لكل ملف .set. EEGLAB يجمع محاولات الشرطين في ملف واحد، ويفرّقها عند الرسم حسب التصميم.
متى أحذف مكوّنات ICA؟

خيار Remove ICA artifactual components pre-tagged in each dataset يحذف المكوّنات المعلّمة كتشويش في كل ملف وقت الحساب، ولا يغيّر الملفات نفسها. يعمل فقط إذا كان في الملفات أوزان ICA وعلامات، وهذا ما فحصته في الدرس الأول. إذا كانت أوزان ICA موجودة بلا علامات: مع الـ STUDY مفتوحة افتح Tools ثم Classify components using ICLabel ثم Label components ثم Tools ثم Classify components using ICLabel ثم Flag components as artifacts. تُطبَّق على كل الملفات المحددة. بعدها فعّل الخيار وأعد الحساب. لا تفعّله إذا كانت المكوّنات حُذفت من البيانات أصلاً قبل الـ STUDY.

متى أحذف مكوّنات ICA؟

خيار Remove ICA artifactual components pre-tagged in each dataset يحذف المكوّنات المعلّمة كتشويش في كل ملف وقت الحساب، ولا يغيّر الملفات نفسها. يعمل فقط إذا كان في الملفات أوزان ICA وعلامات، وهذا ما فحصته في الدرس الأول. إذا كانت أوزان ICA موجودة بلا علامات: مع الـ STUDY مفتوحة افتح Tools ثم Classify components using ICLabel ثم Label components ثم Tools ثم Classify components using ICLabel ثم Flag components as artifacts. تُطبَّق على كل الملفات المحددة. بعدها فعّل الخيار وأعد الحساب. لا تفعّله إذا كانت المكوّنات حُذفت من البيانات أصلاً قبل الـ STUDY.

كيف أكتبها بالكود؟

نفس الخطوات في 16 أسطر MATLAB
MATLAB
% STUDY and ALLEEG come from the starting point script
% ERPs and spectra as in the GUI, plus ERSP and ITC at every channel on a light grid
% (20 frequencies from 3 to 30 Hz, 50 time points) to keep the files small
baseline = [round(ALLEEG(1).xmin*1000) 0];   % from the epoch start to 0 ms
[STUDY, ALLEEG] = std_precomp(STUDY, ALLEEG, {}, 'savetrials', 'on', 'interp', 'on', 'recompute', 'on', ...
    'erp', 'on', 'erpparams', {'rmbase', baseline}, ...
    'spec', 'on', 'specparams', {'specmode', 'fft', 'logtrials', 'off'}, ...
    'ersp', 'on', 'itc', 'on', 'erspparams', {'cycles', [3 0.8], 'freqs', [3 30], 'nfreqs', 20, 'ntimesout', 50});
STUDY = pop_savestudy(STUDY, ALLEEG, 'savemode', 'resave');

% Files written for the first participant, with their size on disk
first = STUDY.datasetinfo(1);
measureFiles = dir(fullfile(first.filepath, [first.subject '.dat*']));
for k = 1:numel(measureFiles)
    fprintf('%-24s %8.1f MB\n', measureFiles(k).name, measureFiles(k).bytes/1e6);
end
fprintf('Channel groups in the STUDY: %d\n', numel(STUDY.changrp));

كيف أكتبها بالكود؟

MATLAB
% STUDY and ALLEEG come from the starting point script
% ERPs and spectra as in the GUI, plus ERSP and ITC at every channel on a light grid
% (20 frequencies from 3 to 30 Hz, 50 time points) to keep the files small
baseline = [round(ALLEEG(1).xmin*1000) 0];   % from the epoch start to 0 ms
[STUDY, ALLEEG] = std_precomp(STUDY, ALLEEG, {}, 'savetrials', 'on', 'interp', 'on', 'recompute', 'on', ...
    'erp', 'on', 'erpparams', {'rmbase', baseline}, ...
    'spec', 'on', 'specparams', {'specmode', 'fft', 'logtrials', 'off'}, ...
    'ersp', 'on', 'itc', 'on', 'erspparams', {'cycles', [3 0.8], 'freqs', [3 30], 'nfreqs', 20, 'ntimesout', 50});
STUDY = pop_savestudy(STUDY, ALLEEG, 'savemode', 'resave');

% Files written for the first participant, with their size on disk
first = STUDY.datasetinfo(1);
measureFiles = dir(fullfile(first.filepath, [first.subject '.dat*']));
for k = 1:numel(measureFiles)
    fprintf('%-24s %8.1f MB\n', measureFiles(k).name, measureFiles(k).bytes/1e6);
end
fprintf('Channel groups in the STUDY: %d\n', numel(STUDY.changrp));

أي قيمة أختار؟

القيم المناسبة حسب هدف تحليلك
الخيارفي هذا الدرسالقاعدة العامة
خط الأساس (rmbase)من بداية الإيبوك إلى 0 msنفس خط الأساس الذي استخدمته لكل مشارك. إذا كانت البيانات مصحّحة مسبقاً فالتصحيح الثاني لا يضر.
الاستيفاء (interp)on، كما في النافذةفي السكربت قيمته الافتراضية off، فاكتبه صراحة. الأفضل أن تستوفي القنوات الناقصة في ملف كل مشارك قبل الـ STUDY، حيث تراها بعينك.
حذف مكوّنات ICA (rmicacomps)offon فقط إذا كانت المكوّنات معلّمة في كل الملفات، ولم تُحذف من البيانات قبل ذلك.
الطيف (specparams)'specmode', 'fft', 'logtrials', 'off'الافتراضي مناسب للبداية. غيّره فقط إذا كان عندك سبب منهجي.
ERSP (erspparams)كل القنوات، 20 تردداً من 3 إلى 30 Hz، 50 نقطة زمنيةشبكة أدق فقط للترددات والأزمنة التي في سؤال بحثك. أبقِ كل القنوات في EEGLAB 2026.1.
حفظ المحاولات (savetrials)onثابت: في EEGLAB الحالي لا خيار غيره، والنافذة تضيفه دائماً.
إعادة الحساب (recompute)onon كلما غيّرت أي خيار، وإلا يقرأ EEGLAB الملفات القديمة.

أي قيمة أختار؟

الخيارفي هذا الدرسالقاعدة العامة
خط الأساس (rmbase)من بداية الإيبوك إلى 0 msنفس خط الأساس الذي استخدمته لكل مشارك. إذا كانت البيانات مصحّحة مسبقاً فالتصحيح الثاني لا يضر.
الاستيفاء (interp)on، كما في النافذةفي السكربت قيمته الافتراضية off، فاكتبه صراحة. الأفضل أن تستوفي القنوات الناقصة في ملف كل مشارك قبل الـ STUDY، حيث تراها بعينك.
حذف مكوّنات ICA (rmicacomps)offon فقط إذا كانت المكوّنات معلّمة في كل الملفات، ولم تُحذف من البيانات قبل ذلك.
الطيف (specparams)'specmode', 'fft', 'logtrials', 'off'الافتراضي مناسب للبداية. غيّره فقط إذا كان عندك سبب منهجي.
ERSP (erspparams)كل القنوات، 20 تردداً من 3 إلى 30 Hz، 50 نقطة زمنيةشبكة أدق فقط للترددات والأزمنة التي في سؤال بحثك. أبقِ كل القنوات في EEGLAB 2026.1.
حفظ المحاولات (savetrials)onثابت: في EEGLAB الحالي لا خيار غيره، والنافذة تضيفه دائماً.
إعادة الحساب (recompute)onon كلما غيّرت أي خيار، وإلا يقرأ EEGLAB الملفات القديمة.

كيف أتأكد أنها نجحت؟

4 فحوص سريعة
  • في مجلد أول مشارك ثلاثة ملفات جديدة باسم الرمز فقط، cba.daterp و cba.datspec و cba.dattimef، ولا يوجد .datersp ولا .datitc جديد. ملفات cbaanimal.* و cbadistractor.* هي القديمة.
  • السكربت يطبع حجم كل ملف. الثلاثة متقاربة، عشرات MB تقريباً (.dattimef حوالي 75 MB تقديراً) ، لأننا استعملنا شبكة خفيفة لـ ERSP. بالشبكة الافتراضية كان .dattimef سيصير حوالي 1.5 GB.
  • السكربت يطبع عدد مجموعات القنوات Channel groups in the STUDY، وهو يساوي عدد القنوات في الملفات.
  • نافذة الأوامر لا تعرض أخطاء حمراء، ولا تحذير IMPORTANT WARNING.
مصدر البيانات

البيانات: نسخة STUDY من SCCN/Delorme. البيانات الأصلية: OpenNeuro ds002680 (CC0).

مصدر البيانات

البيانات: نسخة STUDY من SCCN/Delorme. البيانات الأصلية: OpenNeuro ds002680 (CC0).

كيف أتأكد أنها نجحت؟

  • في مجلد أول مشارك ثلاثة ملفات جديدة باسم الرمز فقط، cba.daterp و cba.datspec و cba.dattimef، ولا يوجد .datersp ولا .datitc جديد. ملفات cbaanimal.* و cbadistractor.* هي القديمة.
  • السكربت يطبع حجم كل ملف. الثلاثة متقاربة، عشرات MB تقريباً (.dattimef حوالي 75 MB تقديراً) ، لأننا استعملنا شبكة خفيفة لـ ERSP. بالشبكة الافتراضية كان .dattimef سيصير حوالي 1.5 GB.
  • السكربت يطبع عدد مجموعات القنوات Channel groups in the STUDY، وهو يساوي عدد القنوات في الملفات.
  • نافذة الأوامر لا تعرض أخطاء حمراء، ولا تحذير IMPORTANT WARNING.
مصدر البيانات

البيانات: نسخة STUDY من SCCN/Delorme. البيانات الأصلية: OpenNeuro ds002680 (CC0).

مصدر البيانات

البيانات: نسخة STUDY من SCCN/Delorme. البيانات الأصلية: OpenNeuro ds002680 (CC0).

ما الأخطاء التي يقع فيها كثيرون؟

6 أخطاء، وكيف تتجنّبها
  • تغيير خيار بلا إعادة حساب. إذا ألغيت Overwrite files on disk، يستخدم EEGLAB الملفات الموجودة حتى لو حسبتها بخط أساس آخر.
  • حساب ERSP لكل القنوات من النافذة. يمتلئ القرص ويأخذ الحساب وقتاً طويلاً.
  • حساب ERSP لبعض القنوات فقط. تُكتب الملفات، لكن رسمها يتوقف بالرسالة Unrecognized field name "chan1" في EEGLAB 2026.1. احسب لكل القنوات بشبكة أخف.
  • حذف مكوّنات ICA مرتين. إذا حذفت المكوّنات من كل ملف قبل الـ STUDY، لا تفعّل الخيار هنا. ما بقي معلّماً قد يكون مكوّناً سليماً.
  • أخذ ملفات 2007 لنتائجك. حُسبت بإعدادات لا تعرفها، و EEGLAB لا يقرؤها. استعمل فقط الملفات التي باسم رمز المشارك وحسبتها بنفسك.
  • نقل ملفات المقاييس (.daterp وأمثالها) وحدها. هي تابعة لملفات المشارك. انقل المجلد كاملاً.

ما الأخطاء التي يقع فيها كثيرون؟

  • تغيير خيار بلا إعادة حساب. إذا ألغيت Overwrite files on disk، يستخدم EEGLAB الملفات الموجودة حتى لو حسبتها بخط أساس آخر.
  • حساب ERSP لكل القنوات من النافذة. يمتلئ القرص ويأخذ الحساب وقتاً طويلاً.
  • حساب ERSP لبعض القنوات فقط. تُكتب الملفات، لكن رسمها يتوقف بالرسالة Unrecognized field name "chan1" في EEGLAB 2026.1. احسب لكل القنوات بشبكة أخف.
  • حذف مكوّنات ICA مرتين. إذا حذفت المكوّنات من كل ملف قبل الـ STUDY، لا تفعّل الخيار هنا. ما بقي معلّماً قد يكون مكوّناً سليماً.
  • أخذ ملفات 2007 لنتائجك. حُسبت بإعدادات لا تعرفها، و EEGLAB لا يقرؤها. استعمل فقط الملفات التي باسم رمز المشارك وحسبتها بنفسك.
  • نقل ملفات المقاييس (.daterp وأمثالها) وحدها. هي تابعة لملفات المشارك. انقل المجلد كاملاً.

كيف أكتبها في ورقتي؟

قالب Methods: عدّل البيانات والإعدادات والإصدارات لتطابق ما نفّذته

قالب: عدّل البيانات والإعدادات والإصدارات لتطابق ما نفّذته.

Channel ERPs and spectra were precomputed for each participant and condition (std_precomp), with baseline correction from [−1000] to 0 ms; with spherical interpolation of any missing channels enabled; event-related spectral perturbations were computed at every channel for [20] frequencies from [3] to [30] Hz.

كيف أكتبها في ورقتي؟

قالب: عدّل البيانات والإعدادات والإصدارات لتطابق ما نفّذته.

Channel ERPs and spectra were precomputed for each participant and condition (std_precomp), with baseline correction from [−1000] to 0 ms; with spherical interpolation of any missing channels enabled; event-related spectral perturbations were computed at every channel for [20] frequencies from [3] to [30] Hz.

أين أقرأ أكثر؟

3 مراجع: التوثيق الرسمي أولاً

مكتوب لـ EEGLAB 2026.1 · 2026-10-28

للتوسّع

  • EEGLAB Tutorial: https://eeglab.org/tutorials/10_Group_analysis/study_data_visualization_tools.html (10. Group analysis > Precomputing ERPs)
  • EEGLAB Tutorial: https://eeglab.org/tutorials/11_Scripting/command_line_study_functions.html (11. Scripting > Computing measures)
  • Go-nogo categorization and detection task (OpenNeuro ds002680): https://openneuro.org/datasets/ds002680 (README)

تحتاج مساعدة؟

اسأل، أو شاركنا رأيك، أو بلّغ عن خطأ