1. 脑电信号EEG基础与采集技术脑电信号EEG是大脑神经元电活动的宏观表现就像一群人在广场上同时说话产生的声波。想象一下每个神经元都是一个微型发电机当它们同步放电时就会在头皮表面形成可检测的微弱电压波动约10-100微伏。这种非侵入式的读心术技术最早由德国精神科医生Hans Berger在1924年发现。在实际操作中EEG采集就像给大脑做心电图。我们需要电极布置采用国际10-20系统类似地球经纬度用19-256个电极覆盖头皮关键区域。比如测量视觉皮层活动时会重点布置枕叶区域的电极。阻抗控制电极与头皮间阻抗需5kΩ相当于确保电话线通话清晰我常用导电膏降低阻抗这个步骤要像涂防晒霜一样均匀仔细。采样率选择临床EEG常用250-1000Hz采样率。曾经有个项目为了捕捉癫痫高频振荡我们特意将采样率设为2000Hz结果发现硬盘空间半天就爆满了。采集环境要避开强电磁干扰有次实验室隔壁新装了核磁设备我们的EEG信号突然出现规律性尖峰后来发现是50Hz工频干扰通过带通滤波才解决。常见的干扰源还包括眼动EOG眨眼时会产生200-300μV的大幅波动肌电EMG咬牙时高频噪声会淹没脑电信号心电ECG心跳会导致周期性伪迹2. 预处理从毛坯房到精装房原始EEG信号就像未经处理的毛坯房预处理就是要把它变成能直接分析的精装房。这个阶段最考验耐心我处理过的一个癫痫数据集128通道的EEG仅10分钟就包含1500万数据点预处理花了整整三天。2.1 滤波去噪先用0.5-30Hz带通滤波相当于音频的均衡器设置保留主要脑电成分δ波0.5-4Hz深度睡眠时显著θ波4-8Hz困倦或冥想状态α波8-13Hz闭眼放松时的枕叶节律β波13-30Hz专注思考时的活动# Python示例使用MNE库进行滤波 import mne raw mne.io.read_raw_edf(sample.eeg, preloadTrue) raw.filter(0.5, 30, fir_designfirwin) # 带通滤波 raw.notch_filter(50) # 陷波滤除50Hz工频干扰2.2 伪迹去除独立成分分析ICA是神器级的去伪迹工具。有次处理儿童EEG数据小家伙不停地眨眼ICA分离出的眼动成分占总方差40%通过以下步骤处理拟合ICA模型通常20-30个成分识别眼动/肌电成分通常前几个成分剔除伪迹成分后重建信号% MATLAB EEGLAB示例 [ALLEEG EEG CURRENTSET] pop_runica(EEG, icatype, runica); pop_selectcomps(EEG); % 可视化选择要剔除的成分 EEG pop_subcomp(EEG, [1 3 5]); % 剔除第1,3,5成分2.3 分段与基线校正事件相关电位ERP分析需要以刺激事件为中心分段。比如研究P300成分刺激后300ms的正波通常截取-200ms到800ms时段。基线校正要减去刺激前200ms的平均幅值就像用水平仪校准倾斜的照片。3. 特征提取挖掘脑电密码3.1 时域分析ERP分析就像在嘈杂的派对上识别特定人的声音。P300成分常用于脑机接口当受试者注意到目标刺激时顶叶区会出现明显正波。有个技巧对单个trial的ERP信噪比太低时可以通过叠加平均增强信号。3.2 频域分析功率谱密度PSD分析揭示不同状态下的脑电特征阿尔茨海默病患者α波功率降低冥想者θ波活动增强癫痫发作期会出现异常γ波爆发# 计算相对功率谱 import numpy as np psd, freqs mne.time_frequency.psd_welch(raw, fmin0.5, fmax30) delta np.mean(psd[:, (freqs 0.5) (freqs 4)], axis1) theta np.mean(psd[:, (freqs 4) (freqs 8)], axis1) alpha np.mean(psd[:, (freqs 8) (freqs 13)], axis1)3.3 时频分析小波变换能同时捕捉频率和时间变化。在运动想象范式中想象左手运动会导致右侧运动皮层μ节律8-12Hz去同步化这种特征正是脑机接口的控制信号来源。4. 解码与应用让脑电说话4.1 机器学习方法共空间模式CSP算法是运动想象分类的黄金标准。我曾用LDA分类器达到85%的准确率但遇到新用户时性能骤降——这就是著名的跨被试难题。后来采用迁移学习用已有用户数据初始化模型新用户只需少量校准数据就能达到可用性能。# Scikit-learn实现CSP from sklearn.pipeline import make_pipeline from mne.decoding import CSP from sklearn.svm import SVC clf make_pipeline(CSP(n_components4), SVC(kernellinear)) clf.fit(X_train, y_train) # X_train形状为(n_trials, n_channels, n_times)4.2 深度学习突破EEGNet是专门为EEG设计的轻量级CNN参数量只有传统CNN的1/10。我在一个四分类项目中使用EEGNet相比传统方法准确率提升12%但需要警惕过拟合——脑电数据量通常较小早停early stopping和dropout是必备技巧。4.3 可视化技术地形图动态展示是理解脑电空间模式的利器。有次分析情绪任务数据发现愤怒情绪会引发前额叶不对称激活——右侧比左侧更活跃这个发现与情绪神经科学理论高度吻合。5. 实战经验与避坑指南硬件选择上科研级设备如Brain Products采样率可达5kHz而消费级头戴设备如NeuroSky通常只有128Hz。曾有个本科生用消费设备做认知实验结果完全检测不到P300成分——采样率不足导致高频信息丢失。软件工具链组合建议预处理EEGLAB/MNE-Python特征提取FieldTripMATLAB或PyEEGPython机器学习Scikit-learn/TensorFlow可视化Brainstorm/PySurfer常见问题解决方案数据漂移使用高通滤波0.1Hz去除电极脱落采用球形插值法重建信号个体差异使用z-score标准化或自适应归一化在医疗应用中癫痫自动检测系统需要平衡灵敏度和误报率。我们开发的算法在301医院测试时对强直-阵挛发作的检测率达到92%但肌电伪迹导致的假阳性仍需人工复核。