本文目录导读：
这是一个关于 脑电图（EEG） 的全面科普，脑电图是通过放置在头皮上的电极记录大脑神经细胞电活动（主要是突触后电位）的技术，是神经科学、临床医学和脑机接口领域的基础工具。
核心原理：EEG 是什么？从何而来？
- 来源： 大脑皮层（主要是锥体细胞）的同步兴奋和抑制性突触后电位，成千上万个神经元同步放电时，产生的微弱电流能够穿过脑脊液、硬脑膜、颅骨和头皮,被电极捕捉。
- 信号特征： 非常微弱（通常为微伏级，µV）、非平稳、随机性强。
- 优势： 高时间分辨率（毫秒级），能实时反映大脑动态变化；非侵入性,成本相对较低。
- 劣势： 低空间分辨率（厘米级），无法精确定位信号源；信号容易受到眨眼、肌肉活动、眼动、心跳、电源干扰等伪迹污染。
常见的 EEG 节律（频带）
EEG 信号通常按频率划分为几个经典波段，每个波段与特定的意识状态、认知活动或病理状态相关：
| 频带 | 频率范围 | 典型振幅 | 主要关联状态 | 常见场景 |
|---|---|---|---|---|
| Delta （δ） | 5 - 4 Hz | 高 （>100 µV） | 深度无梦睡眠、婴儿期、昏迷 | 深度睡眠监测 |
| Theta （θ） | 4 - 8 Hz | 中-高 | 困倦、冥想、轻度睡眠、记忆编码 | 儿童、嗜睡症 |
| Alpha （α） | 8 - 13 Hz | 中 （~50 µV） | 放松、闭眼、安静、清醒但无专注 | 闭眼静坐时枕叶最明显 |
| Beta （β） | 13 - 30 Hz | 低 （<30 µV） | 警觉、主动思考、专注、运动 | 解决问题、集中注意力 |
| Gamma （γ） | 30 - 100+ Hz | 非常低 | 高阶认知（感知、意识、跨脑区信息整合）、学习 | 复杂任务、记忆提取 |
注意界限： 频段划分并非绝对，不同研究/设备可能略有差异（有些将12-15Hz称为SMR节律，用于感觉运动皮层）。
主要应用领域
临床医学
- 癫痫诊断与病灶定位： 最核心的应用，可以捕捉到癫痫发作间期的“棘波、尖波、棘慢复合波”等特征性放电,以及发作期的脑电图变化。
- 睡眠障碍： 通过多导睡眠图（PSG，即结合脑电图、眼电图、肌电图）分析睡眠分期（N1、N2、N3、REM），诊断失眠、发作性睡病、睡眠呼吸暂停等。
- 昏迷与脑死亡评估： 评估大脑功能状态，爆发-抑制模式、等电位线等具有诊断意义。
- 麻醉深度监测： 术中监测患者麻醉深度，常用指标如脑电双频指数（BIS）。
- 神经退行性疾病： 辅助诊断阿尔茨海默病（常见慢波增多）、克雅病（周期性尖慢复合波）等。
脑机接口
- 通信与控制： 运动想象（如想象左手/右手/脚动）产生的事件相关去同步（ERD）/同步（ERS）信号；稳态视觉诱发电位（SSVEP，通过注视不同频率闪烁的图标）实现高速打字。
- 神经康复： 瘫痪患者通过脑电图控制外骨骼或假肢；卒中后患者通过闭环训练促进神经重塑。
- 状态检测： 疲劳/警觉度检测（长期驾驶中的Alpha波功率增大）、认知负荷评估。
- 游戏与娱乐： 注意力/放松度控制的游戏。
认知神经科学
- 事件相关电位： 通过平均叠加多次刺激/任务锁定的脑电图片段，提取与特定认知过程相关的电位成分（如P300、N400、MMN（失匹配负波）等），用于研究注意、记忆、语言、决策等。
- 功能连接与脑网络： 分析不同脑区脑电图信号的相干性、相位同步等，构建大脑功能性网络（图论分析）。
经典脑电图信号处理方法
原始脑电图信噪比很低,通常需要经过一系列处理才能提取有用信息。
-
预处理（去噪和打标）
- 滤波： 带通滤波（例如0.5-50Hz或0.5-100Hz）；陷波滤波（50Hz或60Hz去除工频干扰）。
- 伪迹去除： 独立成分分析（ICA）是最常用的方法，分离出眼电、肌电等伪迹成分并移除；或使用回归、盲源分离（BSS）方法。
- 重参考： 改变参考电极（如从单极参考转为平均参考、双极参考、CAR（共平均参考）参考）。
-
时域分析
- 事件相关电位： 找P300（约300ms正波）、N100（约100ms负波）、失匹配负波（MMN）等成分的潜伏期和幅值。
- 特征统计量： 时域信号的均值、方差、峭度、过零率、Hjorth参数（活动性、移动性、复杂度）。
-
频域分析
- 功率谱密度： 使用快速傅里叶变换（FFT）或韦尔奇（Welch）方法计算各个频带的功率绝对值或相对功率。
- 时频分析： 短时傅里叶变换（STFT）、小波变换（CWT）、希尔伯特黄变换（HHT），揭示信号的频率成分如何随时间变化（想象运动时Mu节律被抑制）。
-
空间分析/源定位
- 表面电位地形图（Topographic Map）： 插值显示各电极位置的电活动分布,直观看出活动热点。
- 源成像（Source Imaging / Localization）： 使用反向求解法（如sLORETA、MNE）估计产生头皮脑电图信号的皮层位置,解决低空间分辨率问题。
-
特征向量的提取
- 功率特征： 不同频带功率。
- 熵/复杂度特征： 样本熵、近似熵、Lempel-Ziv复杂度,衡量信号非线性特性。
- 功能连接特征： 相干性（Coherence）、相位锁定值（PLV）、相位延迟指数（PLI）、互信息（MI）、格兰杰因果关系（GC）。
- 机器学习特征： 高维特征（例如短时傅里叶变换谱图）送入深度学习模型（如卷积神经网络（CNN）、长短期记忆网络（LSTM）、Transformer）。
常用EEG数据集（科研/学习）
初学者可以从以下公开数据集入手：
- BCI Competition 数据集（最经典，从2001到2008年四届，包含运动想象、P300、SSVEP等）- [BB们官网]
- PhysioNet的CHB-MIT Scalp EEG Database（儿科癫痫，用于发作检测）- [physionet官网]
- DEAP Dataset（多模态情感分析，脑电图+生理信号）- [DEAP官网]
- SEED Dataset（上海交大情感脑电图数据集）- [SEED官网]
挑战与前沿方向
- 低信噪比与泛化性差： 脑电图个体差异大（甚至同一个人不同天差异也很大），且易受干扰。域自适应（Domain Adaptation）/源数据对齐 和 迁移学习 是热门研究方向。
- 空间分辨率提升： 高密度脑电图（128/256导）配合源定位算法，力求逼近功能磁共振成像（fMRI）的空间能力。
- 可穿戴与长时间监测： 干电极、柔性电极、入耳式脑电图、闭环神经调节设备（如治疗抑郁症的经颅直流电刺激（tDCS）+脑电图实时调节刺激强度）。
- 深度学习与可解释性： 卷积神经网络（CNN）/Transformer如何提取更鲁棒的特征？如何用注意力机制/可解释人工智能（XAI）解释模型学到了什么脑电图模式？
- 多模态融合： 脑电图+功能磁共振成像（fMRI，空间好）、脑电图+近红外光谱（fNIIRS，便携、抗运动伪影）、脑电图+眼动/肌电/心率。
总结一句话：脑电图是一种低空间分辨率但高时间分辨率的非侵入性大脑电活动记录技术，在临床诊断、脑机接口和认知科学研究中扮演着不可替代的角色。
如果对某个具体方面（比如运动想象BCI、P300拼写器、EEG源定位方法）感兴趣,欢迎继续提问！
