EEGLAB操作手册Ⅰ

贾会宾

华中师范大学心理学院2012年6月7日

其中的KeyStep是数据处理的必要的步骤；ExploratoryStep是为了更好的了解EEGLAB的特点的探索性非必要步骤。

第一章：将数据载入EEGLAB

KeyStep1：StartMATLAB

KeyStep2(Optional):Switchtothedatadirectory(folder)--------也就是把directory转换为数据所在的文件夹。可以通过MATLAB界面上方的“CurrentFolder”或者在commandline通过“cd”。这并不是必须的步骤，在实际的操作中有没有这个步骤没有影响。KeyStep3：StartEEGLAB

在MATLABcommandline键入“eeglab”，并点击“Enter”键。EEGLAB的主窗口将会弹出，如下图所示

KeyStep4：载入数据

目前EEGLAB支持绝大多数的数据类型。

通过File>Importdata可以查看支持的数据类型，当然也包括BP的“***.vhdr”文件。EEGLAB自身的文件格式是“****.set”文件。

在下面，我将使用EEGLABtutorial中自带的“Eeglab_data.set”。载入方式是：File>Loadexistingdataset。

载入后，结果如下：

从这个界面可以看到该数据集一些信息。Channelsperframe为32，也就是channelnumber是32；Framesperepoch为30504，表示的是一个epoch的样本点数目（由于在这个原始数据中还没有分段，所以默认有一个epoch，在这里30504表示的是每个channel样本点总数）；Epochs为1，表示的是epoch的数目；Events为1，event表示的该数据集中事件（即诸如刺激呈现、被试反应等称为event）的数目；Samplingrate(Hz)为128；Epochstart(sec)为0，Epochend（sec）为238.305，所以整个数据长度为238.305s;Reference为参考电极；Channellocation为No，这是因为我们还没有对各个channel的头皮坐标进行定位；ICAweights为No，ICAweights表示的是进行ICA分析后得到的weights，此处有两个值“No”和“Yes”。

ExploratoryStep:Scrollingdata

通过如下方式，查看各个channel的波形

通过该界面下的Setting下拉菜单及界面下方的那些选项可以实现一些操作。例如Timerangetodisplay调整该界面显示的时间长度，上图为5s；numberofchannelstodisplay调整一个界面显示的channel数目；并可以选择一个时间段，并“REJECT”。本界面的操作很简单的，与BP相似。

第二章对各个channel进行头皮定位

为了以2-D或3-D的方式绘制EEGscalpmaps，以及对ICA分析后的成分进行源定位，需要数据集包括各个channel的头皮坐标的相关信息。KEYSTEP5:Loadthechannellocations

需要选择Edit>channellocations，得如下界面

在本例中，eeglab开发者给出了该数据集的channellocation文件，需要选择左下方的Readlocations。在弹出的对话框中，选择对应的位置文件。

得到如下结果：

通过上面的页面可以查看各个channel的坐标，通过“Plot2-D”可以查看定位后结果（当然Plot3-D(xyz)可以绘制三维的。

就BP而言，我们没有现成的channellocation文件，那我们需要选择“Lookuplocs”，EEGLAB可以帮助我们自动识别channel位置。在弹出的窗口，点击OK就好了。为了比较一下自动识别后的channellocation是否正确，可以选择“Plot2-D”，并与BP自带的电极位置文件进行比较。我试过，貌似是可以的。还有一种方法（听人说的，没试过）：我们依据BP自带的channel坐标的文件，在一个txt文档中写上各个channel的坐标，并将文件的拓展名改为locs。

第三章绘制channel频谱图

最好在进行数据下面的数据处理前，查看各个channel数据的波形，并reject那些不好的数据段。

在本部分，我们将查看数据集的频谱图。这一部分可以为我们的后续操作提供参考依据，并不是必须的步骤。

ExploratoryStep:PlotChannelSpectraandMaps

需要选择Plot>Channelspectraandmaps，将弹出如下窗口

保持默认就好了，点击OK

得到如下结果，其中的各个曲线表示各个的channel，32条；在上方绘制了61022Hz的头皮功率分布。

注意：我们在上述界面默认选择了15%的数据进行分析，因此我们每次得到的结果将有所不同。当取值为100时，当然是无误的结果。

当然，对于已经epoch的数据，我们同样也可以进行如上操作。

第四章预处理工具

1.改变取样率

Tools>Changesamplingrate没有改变）

并不是必须的，但是降低取样率可以节省空间（本例

2.滤波

为了消除线性趋势，我们一般需要高通滤波KEYSTEP6:Removelineartrends

我们需要通过如下选项：Tools>Filterthedata。Filterthedata有两个子菜单BasicFIRfilter和shortIIRfilter。它们是两种不同的滤波方法。

前者界面如下：

后者界面如下：

我们可以在一个还没有epoch的连续数据进行滤波，也可以在epoch后的数据进行滤波。对连续的数据进行滤波可以排除epochboundaries的滤波伪迹。

在本例中，我们选择Tools>Filterthedata>BasicFIRfilter，Loweredge选择1（Hz）。弹出如下结果

在本例中，我们选择Overwriteitinmemory（当然不是必须），这样的话得到结果将覆盖住原始数据集。如果不选择的话，将生成一个新的数据集。

如果我们希望进行带通滤波，需要分别进行高通和低通，在FIR滤波器中直接带通滤波可能产生一些问题（究其原因，开发者没说……）但是IIR滤波器貌似没有这些问题。3.重新设置参考电极

在这个数据集的记录过程中，研究者使用的是将乳突参考。

为了重新设置参考电极，我们需要选择Tools>Re-reference。如下页面将弹出

在这里，我们不更改参考电极。

第五章ExtractingDataepochs

KEYSTEP7:Extractdataepochs

需要选择Tools>Extractepoch，弹出如下窗口

点击“…”弹出如下窗口

在这里我们选择的事件类型是“square”，在本实验中表示的将“square”出现时刻作为每个epoch的时间零点。

在这里，我们不需要把每个epoch的limit进行更改。这里每个epoch时间长度为3s。通常我们将每个epoch设置的时间长些，因为这样可以在低于10Hz的频段范围内进行时频分解。

KEYSTEP8:Removebaselinevalues完成上述操作后，会自动弹出如下窗口

在这里基线为[-10000]，点击OK。

第六章数据叠加平均

1.PlottingtheERPdataonasingleaxiswithscalpmapsExploratoryStep:Plottingall-channelERPs

在这一步，我们将绘制所有epochs的叠加平均（ERP）和某一特定潜伏期的ERPscalpmaps。我们需要选择

Plot>ChannelERP>Withscalpmaps

弹出如下窗口

保持默认值就好，点击Ok

在上图结果中，每条曲线对应于各个channel，上方的地形图是430ms时刻的平均电压地形图分布（当我们使用默认值的时候，eeglab将默认绘制ERP方差最大时刻的地形图，在本例是430ms）。

2.PlottingERPtracesinatopographicarray

ExploratoryStep:PlottingERPsinaTopographicMap

在这里我们希望按照各个channel的头皮分布分别绘制各个channel的ERP。需要选择Plot>ChannelERPs>Inscalp/rect.array

弹出如下窗口

点击Ok，弹出如下窗口

当我们双击其中的任何一个channel的时候，会弹出相应的channelERP。3.Plottingaseriesof2-DERPscalpmaps

在这里，我们将绘制一系列的2-Dscalpmaps，其中每个图表明的是一个特定的潜伏期的电压分布。

ExploratoryStep:Plottingaseriesof2-DERPScalpMaps选择Plot>ERPmapseries>In2-D，弹出如下窗口

假设我们感兴趣的是潜伏期0100200300400500ms的电压分布。我们需要在上面的对话框第一行键入0:100:500。点击Ok

第七章选择数据的epochs，并比较

1.Selectingeventsandepochsfortwoconditions

为了比较一个被试两种条件下的ERP，我们需要首先为两种条件各创建一个dataset。在这个实验中，一半的目标刺激呈现在位置1，一半的目标刺激呈现在位置2。ExploratoryStep:SelectingEventsandEpochsforTwoConditions需要选择Edit>Selectepochsorevents弹出如下窗口

点击“Stimulusposition”

我们分别键入1和2，可创建两个dataset，并分别将其命名为“Square,Pos.1”和“Square,Pos.2”。

在EEGLAB中，另外一个可用于数据集的子集选择的函数是pop_select.m，这个函数可以通过如下方式调用Edit>Selectdata弹出如下窗口

在上述窗口，键入相应参数。例如

通过上述操作，我们将提取每个epoch的-0.5至1s，去除了第2、3、4个epoch。2.ComputingGrandMeanERPs

ExploratoryStep:ComputingGrandMeanERPs

我们需要选择Plot>Sum/CompareERPs，弹出如下窗口

我们在第一行中间的文本框，输入3和4（它们分别表示上述两个生成的数据集。3和4分别是它们在EEGLABGUI界面上的编号）。右方的avg表示总平均ERP，std表示standarddeviation，allERPs表示输出所有数据集的ERP。

在highlightsignificantregions键入0.05，表示t-testsignificanceprobability(p)threshold。

点击OK

双击FPz

3.ComparingERPsintwoconditions

ExploratoryStep:ComparingERPsinTwoConditions

我们需要选择Plot>Sum/CompareERPs弹出如下窗口

键入参数

表示比较上述两个数据集，低通滤波30Hz，并绘制标题，“Position1-2”点击OK

双击FPz

第八章绘制ERPimages

为了对ERP效应有一个更好理解，EEGLAB有一个比较有特色的功能，即绘制ERPimage。这个ERPimage是一个2-Dimage，其中的横轴是每个epoch的时刻值，纵轴是各个epoch的编号，而该图像中的每一点表示相应的epoch的相应时刻的电压值。至于纵轴上的各个epoch的顺序，EEGLAB默认是按照它们在实验中出现的顺序进行排序。当然，研究者可以依据自己的个人兴趣，对各个epoch的纵轴顺序重新排序（例如，依据subjectreactiontime，alpha-phaseatstimulusonset）------理论上来说，排序的方式可以有很多种。当然每种排序所能提供的信息不尽相同，需要针对自己的研究来具体选择。

同时需要注意的是，有些时候如果不仔细考虑会很容易对结果进行错误解释。例如，利用某一频段的相位进行排序，可能会掩盖相同数据的不同频段的振荡活动。1.选择需要绘制的channel

假设我们想选择alpha频段（大约为10Hz）功率最大的channel。需要选择Plot>Channelspectraandmaps

可以看出alpha频段的能量主要集中在枕叶。

鉴于此，我们选择POz(27号)电极

2.使用pop_erpimage()绘制ERPimagesExploratoryStep:ViewingaChannelERP选择Plot>ChannelERPimage弹出如下窗口

选择channel27,smoothing1(表示的是在临近的epochs进行平滑绘图的的时候，所取的值)，其他默认，点击Ok弹出如下结果

上图的最上方为选择的电极的头皮位置

中间的图即为ERPimage，下图为该电极的ERP。ExploratoryStep:PlottingaSmoothedERP

在这里我们将smoothing设置为10，它表示在相邻的10个epoch平滑（我的理解），弹出如下窗口

可以看出，上述结果可以更好的显示alpha频段的振荡活动。3.对ERPimage中的trial进行排序

在上面的ERPimage中，从下到上，EEGLAB默认按照trial在实验过程中出现的顺序排列。当然也可以按照其他的变量进行排序。在下面我们使用的变量的是被试的反应时间，具体来说是事件‘rt’的潜伏期（latency）。

ExploratoryStep:SortingTrialsinanERPImage选择Plot>ChannelERPimage

双击，弹出如下窗口

选择latency，点击OK

双击，弹出如下窗口

选择rt，点击Ok。

在“Eventtimerange”下方的文本框，键入-200800（不是很理解这一选项）。点击Ok。弹出如下窗口

上图中的黑线表示事件“rt”的“latency”。

如果不对“Eventtimerange”下方的文本框进行设置的话，弹出如下结果

看不出两种结果之间的不同….

4.使用频谱选项绘制ERPimage

ExploratoryStep:SortingTrialsinanERPbyPhaseValue我们键入的参数如下图

点击OK，弹出如下结果

(ITC)ExploratoryStep:Inter-TrialCoherenceCoherence(ITC)

为了在ERPimagefigure中绘制ITC，我们需要在pop_erpimage中设置如下参数

这样我们便可以分析[911]Hz，并进行显著性检验（显著性水平0.01）。点击Ok

上图的最上方子图的ERPimage。

倒数第二个子图是ERSP（EventRelatedSpectralPower），表示的是功率的平均变化（单位为dB）。在这个子图中，曲线没有超出蓝色区域，表示在选择的频率10.13Hz（见右下角）相对基线水平（25.93dB），功率没有显著变化。

最下方的子图的ITC。它表示的相对刺激呈现而言，相位同步化的程度。10.13Hz表示选择分析的频段。可以看出在300Hz附近相位同步化显著增强。

第九章使用ICA分解数据

KEYSTEP9:CalculateICAComponents需要选择Tools>RunICA，弹出

这里默认的算法是runica，按照这个默认的就好，点击Ok。耐心等待，速度一般较慢。1.绘制2-DComponentScalpMaps

我们需要选择Plot>Componentmaps>In2-D。弹出如下窗口

鉴于我们想绘制1：12个成分，我们需要将“Componentnumbers”后面的文本框改为1:12。点击Ok

凭借这个我们可以了解各个成分的头皮分布。EEGLAB有一个很有用的插件ADJUST，它可以半自动的去除伪迹成分。ADJUST需要自己安装，不是EEGLAB默认携带的。步骤如下，选择Tools>ADJUST。弹出如下窗口

鉴于我们已经运行ICA了，选择RunADJUST。弹出如下结果

从上图可以看出，ADJUST认为第7、10、27成分是伪迹。我们双击出如下结果

，弹

单凭有初步经验的人也可以看出，此成分明显是一个眨眼伪迹。ADJUST的开发者说，ADJUST的准确率相对专家可达到95%。所以相对我这种没有太多经验的人来说，姑且就认为ADJUST的判断正确吧。

下一步是删去第7、10、27成分，我们需要选择Tools>Removecomponents

在右方的文本框，键入71027，点击Ok。

然后选择“Accept”。

第十章WorkingwithICAComponents

1.绘制componentspectraandmaps

在本部分，我们希望了解哪些成分对特定的频段贡献最大。我们需要选择plot>Componentspectraandmaps。弹出如下窗口：

表示是需要随机选择的数据的百分比。百分比小的话，会节省时间；

百分比越大，结果当然越准确。在这里我们选择100。其余选项默认，点击Ok。

在下面，为了估计各个成分对某一个特定的channel的贡献，我们将介绍一个更为准确的方法（至于为什么是一个更为准确的做法，开发者只是说了“fortechnicalreasons”）。

假设我们需要考查27号channel。我们需要

右方的文本框，键入

27。

uncheck。点击OK。

，右方的

同时commandline出现如下结果

“Component1percentvarianceaccountedfor:1.16Component2percentvarianceaccountedfor:4.67Component3percentvarianceaccountedfor:13.79Component4percentvarianceaccountedfor:32.87Component5percentvarianceaccountedfor:-0.96Component6percentvarianceaccountedfor:4.91Component7percentvarianceaccountedfor:0.18Component8percentvarianceaccountedfor:5.05Component9percentvarianceaccountedfor:27.82Component10percentvarianceaccountedfor:1.08Component11percentvarianceaccountedfor:40.35Component12percentvarianceaccountedfor:3.10Component13percentvarianceaccountedfor:2.56Component14percentvarianceaccountedfor:Component15percentvarianceaccountedfor:Component16percentvarianceaccountedfor:

3.4.032.86

Component17percentvarianceaccountedfor:1.Component18percentvarianceaccountedfor:-1.68Component19percentvarianceaccountedfor:0.02Component20percentvarianceaccountedfor:1.11Component21percentvarianceaccountedfor:0.12Component22percentvarianceaccountedfor:-0.11Component23percentvarianceaccountedfor:-0.22Component24percentvarianceaccountedfor:0.38Component25percentvarianceaccountedfor:-0.03

Component26percentvarianceaccountedfor:-0.41Component27percentvarianceaccountedfor:0.12Component28percentvarianceaccountedfor:Component29percentvarianceaccountedfor:2.绘制成分ERPs

0.000.06”

我们需要选择Plot>ComponentERPs>Inrectangulararray。

点击Ok。

为了查看各个成分的ERP，双击相应的成分。

为了比较多个dataset的成分的ERP，我们可以采用与channelERPs相似的方法，选择Plot>Sum/Comparecomp.ERPs。事实上，对话框也很相似，如下：

不再详述………

3.绘制成分ERP贡献

为了得到成分的ERP对数据的ERP的贡献，我们需要选择Plot>ComponentERPs>withcomponentmaps。

点击Ok就好了。

上图中的黑色包络线是各个时间点的所有channel的最大值和最小值，彩线是各个成分的的ERP。

现在我们希望了解对200-500ms数据ERP贡献最大的成分。

右方的文本框改为200500。

在commandline返回如下结果：

“Comparingmaximumprojectionsforcomponents:IC1maximummeanpowerofback-projection:80.1385IC2maximummeanpowerofback-projection:1.73828IC3maximummeanpowerofback-projection:1.69376IC4maximummeanpowerofback-projection:2.55062IC5maximummeanpowerofback-projection:6.99448IC6maximummeanpowerofback-projection:9.00769IC7maximummeanpowerofback-projection:3.06103IC8maximummeanpowerofback-projection:6.6IC9maximummeanpowerofback-projection:2.88371IC10maximummeanpowerofback-projection:4.23078IC11maximummeanpowerofback-projection:3.42227IC12maximummeanpowerofback-projection:4.721IC13maximummeanpowerofback-projection:1.90804IC14maximummeanpowerofback-projection:1.8131IC15maximummeanpowerofback-projection:0.853632IC16maximummeanpowerofback-projection:0.683555IC17maximummeanpowerofback-projection:5.9612IC18maximummeanpowerofback-projection:0.86812IC19maximummeanpowerofback-projection:0.73882IC20maximummeanpowerofback-projection:0.61765IC21maximummeanpowerofback-projection:0.287868IC22maximummeanpowerofback-projection:0.277423IC23maximummeanpowerofback-projection:0.173851IC24maximummeanpowerofback-projection:0.0984656IC25maximummeanpowerofback-projection:0.2357IC26maximummeanpowerofback-projection:0.0806276IC27maximummeanpowerofback-projection:0.100677IC28maximummeanpowerofback-projection:0.0798501IC29maximummeanpowerofback-projection:0.0388474intheinterval203msto500ms.

Plottingenvelopesof7componentprojections.Topomapswillshowcomponents:176

8

1015withmaxvarattimes(ms):2812

313

352

398

430epochframes:319320323328334

338

Componentsortvarininterval:80.141.741.692.556.999.013.06Summedcomponent'ppaf'ininterval[203.125500]ms:88.98%Plotlimits(sec,sec,uV,uV)[-1,1.99219,-18.7508,22.2963]”

12453341

第十一章Time/Frequencydecomposition

1.DecomposingchanneldataKeyStep10:ERSPandITC

为了检测ERSP（event-relatedspectralperturbation）和ITC（inter-trialcoherence），我们需要选择Plot>Timefrequencytransforms>Channeltime-frequency。弹出如下对话框

Channelnumber选择14（Cz），Bootstrapsignificancelevel选择0.01，其它默认，点击Ok。

得到的结果分为两个子图，上方是ERSP子图，下方是ITC子图。

ERSP子图：该子图左方的panel是基线的平均功率谱，而各个时间点的ERSP包络线。而topimage是相对基线，每个时间点、每个频率的频谱功率改变（event-relatedchangesinspectralpower(frompre-stimulusbaseline)ateachtimeduringtheepochandateachfrequency(<50Hz）)。

ITC子图：我们在前面遇到过ITC。AsignificantITCindicatesthattheEEGactivityatagiventimeandfrequencyinsingletrialsbecomesphase-locked(notphase-randomwithrespecttothetime-lockingexperimentalevent).可以看出，在本图中，大约在10Hz左右出现了significantinter-trialcoherence。

2.Computingcomponenttime/frequencytransforms

在本部分，我们将对成分进行时频分解，因为各个成分可能更直接反应大脑的EEGsource。

我们需要选择Plot>Time/frequencytransforms>Componenttime-frequency。

Componentnumber选择10，Subepochtimelimits选择-5001000，选择UseFFT，Bootstrapsignificancelevel选择0.01。点击Ok

备注：之所以选择FFT是因为，相对wavelets而言，它可以计算更低的频率。3.计算成分的cross-coherences

为了决定两个成分活动之间同步化的程度，我们可以绘制它们之间的event-relatedcross-coherence。我们需要选择Plot>Time-frequencytransforms>Componentcross-coherence。

我们的参数设置如下：

点击Ok。

本结果的上方子图是两个成分的coherencemagnitude，而下方的子图表示的是：在上方各个coherencemagnitude显著的区域，两个成分的相位差。

当然我们同样可以绘制各个channel之间的coherence，需要选择Plot>Time-frequencytransforms>Channelcross-coherence。

补充：

一、使用DIPFIT.2对成分进行等价偶极子定位

在使用DIPFIT之前需要载入channellocation，并进行ICA分解。在这里我们将使用另一个数据集eeglab_dipole.set。

进行偶极子定位时，需要三个步骤，分别是（1）Settingmodelandpreferences；（2）Gridscanning；（3）Non-linearinteractivefitting。1.SettingupDIPFITmodelandpreferences

我们需要选择Tools>LocatedipolesusingDIPFT>Headmodelandsettings。

Headmodel选项为我们提供了四个可供选择的headmodel。在这里我们选择BEM。现在说一下Co-registerchan.locs.Withheadmodel选项。如果我们使用的电极位置是10-20系统的，我们不需要co-register。需要选择“NoCo-Reg”。否则的话，我们需要选择ManualCo-Reg。

注意：在eeglab的wikitutorial中，作者说针对样本数据集eeglab_dipole.set我们不需要co-register。但是我发现这样做的话，会得到错误的结果（经过与UCSD的老师联系，这确实是一个错误！），所以在这里我选择manualco-reg。点击ManualCo-Reg。

选择。弹出如下对话框

点击OK。返回coregister对话框，点击OK。返回Dipfitsetting对话框，点击Ok。

2.Initialfitting

这一步的fitting的结果不精确，较为粗糙；但是可以为后一步的精确fitting提供一个起点。我们需要选择Tools>LocatedipolesusingDIPFT>Coarsefit（gridscan）。

点击Ok。

3.Non-linearinteractivefitting

我们需要选择Tools>LocatedipolesusingDIPFT>Autofit(coarsefit,finefit,plot)

默认fit所有的71个成分，但是这通常会很费时间。为了简单起见，我们选择前10个独

立成分。

后面的文本框选择1:10。点击OK。

为了查看fitting后的结果，eeglab提供了两种方法：3-D的和2-D的。（1）Tools>LocatedipolesusingDIPFIT>Plotcomponentdipoles

点击OK。

在上图中可以很容易的从各个视角查看各个偶极子。也可以通过plotone/plotall和Keep｜Next查看哪些偶极子。很简单的，不再详述。（2）Plot>Componentmaps>In2-D

在这里我们绘制前20个成分。，打上勾。点击Ok。

在上图中可以看到，第三个成分的偶极子位于中线位置，scalpmap也几乎是对称分布的，所以在头皮左右两侧各绘制一个偶极子似乎更为合适。在这里选择Tools>LocatedipolesusingDIPFIT>Finefit(iterative)。

修改参数设置，

选择。程序运行结束后，选择。

成功了！Manualdipolefit对话框点击Ok。

二、EEG构架数组

各个数据集在上述各个操作阶段产生的数据存储在一个EEG构架数组。在命令行，键入EEG>>EEGEEG=

setname:'ap82'

filename:'eeglab_dipole.set'

filepath:'C:\\Users\\Administrator\\Desktop\\'subject:''group:''condition:''session:[]

comments:[10x61char]

nbchan:69（channel的数目）

trials:5

pnts:1000（每个trial的取样点）srate:250（取样率）

xmin:-3（每个trial的开始时间点）xmax:0.9960（每个trial的结束时间点）times:[1x1000double]

data:[69x1000x5single]（各个channel的数据）icaact:[71x1000x5single]icawinv:[69x71double]icasphere:[71x69double]

icaweights:[71x71double]（进行成分分析时得到的weight）icachansind:[1x69double]

chanlocs:[1x69struct]urchanlocs:[]

chaninfo:[1x1struct]

ref:'common'event:[1x9struct]urevent:[1x9struct]

eventdescription:{[]

[]

''''''''''''''''''''''''}

（各个成分的数据）

epoch:[1x5struct]

epochdescription:{}

reject:[1x1struct]stats:[1x1struct]specdata:[]specicaact:[]splinefile:''

icasplinefile:''

dipfit:[1x1struct]（上面dipfit过程中产生的数据）history:[1x26char]saved:'no'etc:[]datfile:[]