EEG脑电信号采集及常用数据分析方法

EEG（脑电图）信号采集和分析是脑机接口（BCI）、神经科学研究及临床诊断的核心环节。以下是EEG信号采集的关键步骤和常用的数据分析方法。

一、EEG信号采集流程

1. 实验准备

• 电极放置：采用国际10-20系统（或更高密度的10-5系统）定位电极位置，确保覆盖关键脑区（如运动皮层、视觉皮层等）。

• 阻抗检测：确保电极与头皮接触良好（阻抗一般<5 kΩ），减少噪声干扰。

• 参考电极选择：常用参考方式包括：

  • 单极参考：以耳垂（A1/A2）或平均参考（所有电极的平均值）为基准。

  • 双极参考：相邻电极差分记录（如眼电EOG检测）。

2. 数据记录

• 采样率：通常≥250 Hz（需满足奈奎斯特采样定理，避免高频信号混叠）。

• 带宽滤波：硬件带通滤波（0.5–100 Hz），去除极低频漂移和高频噪声。

• 环境控制：屏蔽电磁干扰，减少运动伪迹（如要求受试者保持静止）。

3. 实验范式

• 静息态EEG：闭眼/睁眼记录，用于研究大脑基础活动（如α波）。

• 任务态EEG：

  • 事件相关电位（ERP）：如P300、N400（认知任务诱发电位）。

  • 运动想象（MI）：受试者想象左右手运动，用于BCI控制。

  • 稳态视觉诱发电位（SSVEP）：注视闪烁的视觉刺激（如5 Hz、12 Hz）。

二、EEG信号预处理

1. 降噪处理

• 带通滤波：0.5–30 Hz（保留主要EEG成分，去除高频肌电和低频漂移）。

• 陷波滤波：去除50/60 Hz工频干扰。

• 独立成分分析（ICA）：分离眼电（EOG）、肌电（EMG）、心电（ECG）等伪迹。

2. 分段与基线校正

• 分段（Epoching）：以事件（如刺激 onset）为中心截取时段（如-200 ms~800 ms）。

• 基线校正：减去事件前200 ms的平均幅值，消除直流偏移。

3. 坏道处理

• 插值替换：对高噪声电极采用邻近电极数据插值（如球面插值）。

• 剔除坏段：若某时段噪声过大（如运动伪迹），直接剔除该trial。

三、EEG常用数据分析方法

1. 时域分析

• 事件相关电位（ERP）：

  • P300：刺激后300 ms左右的正波，用于目标检测（如BCI拼写器）。

  • N170：面孔识别相关的负波（社交认知研究）。

• 峰值检测：如癫痫棘波、尖慢波检测（临床EEG）。

2. 频域分析

• 傅里叶变换（FFT）：计算功率谱密度（PSD），分析各频段能量（如α波增强）。

• 时频分析：

  • 短时傅里叶变换（STFT）：观察频率随时间变化（如运动想象时的β波抑制）。

  • 小波变换（Wavelet）：更高分辨率的时频分析（如Morlet小波）。

3. 空间分析

• 地形图（Topoplot）：可视化不同脑区的电位/功率分布（如α波枕叶优势）。

• 源定位（Source Localization）：

  • 等效偶极子（Dipole Fitting）：估计异常放电源（如癫痫病灶）。

  • 分布式溯源（sLORETA、eLORETA）：重建全脑神经活动。

4. 机器学习与解码

• 特征提取：

  • 共空间模式（CSP）：用于运动想象分类（区分左右手运动）。

  • 功率谱特征：提取θ、α、β等频段能量。

• 分类算法：

  • 传统方法：LDA（线性判别分析）、SVM（支持向量机）。

  • 深度学习方法：CNN（EEGNet）、RNN（LSTM）。

• 实时BCI应用：如SSVEP频率识别、运动想象控制机械臂。

四、典型EEG分析工具

五、挑战与未来方向

1. 噪声抑制：

   • 深度学习去噪（如自编码器）。

   • 多模态融合（EEG + fNIRS / MEG）。

2. 实时处理：

   • 嵌入式系统实现低延迟解码（如FPGA加速）。

3. 个体差异：

   • 迁移学习（跨用户模型适配）。

4. 临床应用扩展：

   • 癫痫预测、抑郁症生物标志物检测。

总结

EEG信号分析流程包括 采集→预处理→特征提取→解码/可视化，方法涵盖时域、频域、空间域及机器学习。随着深度学习与硬件技术的发展，EEG在医疗、BCI和神经科学中的应用将持续深化。