冠隆醫(yī)療kwanlon2025-03-26

EEG腦電信號采集及常用數(shù)據(jù)分析方法

EEG（腦電圖）信號采集和分析是腦機(jī)接口（BCI）、神經(jīng)科學(xué)研究及臨床診斷的核心環(huán)節(jié)。以下是EEG信號采集的關(guān)鍵步驟和常用的數(shù)據(jù)分析方法。

一、EEG信號采集流程

1. 實(shí)驗(yàn)準(zhǔn)備

電極放置：采用國際10-20系統(tǒng)（或更高密度的10-5系統(tǒng)）定位電極位置，確保覆蓋關(guān)鍵腦區(qū)（如運(yùn)動皮層、視覺皮層等）。
阻抗檢測：確保電極與頭皮接觸良好（阻抗一般<5 kΩ），減少噪聲干擾。
參考電極選擇：常用參考方式包括：
- 單極參考：以耳垂（A1/A2）或平均參考（所有電極的平均值）為基準(zhǔn)。
- 雙極參考：相鄰電極差分記錄（如眼電EOG檢測）。

2. 數(shù)據(jù)記錄

采樣率：通常≥250 Hz（需滿足奈奎斯特采樣定理，避免高頻信號混疊）。
帶寬濾波：硬件帶通濾波（0.5–100 Hz），去除極低頻漂移和高頻噪聲。
環(huán)境控制：屏蔽電磁干擾，減少運(yùn)動偽跡（如要求受試者保持靜止）。

3. 實(shí)驗(yàn)范式

靜息態(tài)EEG：閉眼/睜眼記錄，用于研究大腦基礎(chǔ)活動（如α波）。
任務(wù)態(tài)EEG：
- 事件相關(guān)電位（ERP）：如P300、N400（認(rèn)知任務(wù)誘發(fā)電位）。
- 運(yùn)動想象（MI）：受試者想象左右手運(yùn)動，用于BCI控制。
- 穩(wěn)態(tài)視覺誘發(fā)電位（SSVEP）：注視閃爍的視覺刺激（如5 Hz、12 Hz）。

二、EEG信號預(yù)處理

1. 降噪處理

帶通濾波：0.5–30 Hz（保留主要EEG成分，去除高頻肌電和低頻漂移）。
陷波濾波：去除50/60 Hz工頻干擾。
獨(dú)立成分分析（ICA）：分離眼電（EOG）、肌電（EMG）、心電（ECG）等偽跡。

2. 分段與基線校正

分段（Epoching）：以事件（如刺激 onset）為中心截取時(shí)段（如-200 ms~800 ms）。
基線校正：減去事件前200 ms的平均幅值，消除直流偏移。

3. 壞道處理

插值替換：對高噪聲電極采用鄰近電極數(shù)據(jù)插值（如球面插值）。
剔除壞段：若某時(shí)段噪聲過大（如運(yùn)動偽跡），直接剔除該trial。

三、EEG常用數(shù)據(jù)分析方法

1. 時(shí)域分析

事件相關(guān)電位（ERP）：
- P300：刺激后300 ms左右的正波，用于目標(biāo)檢測（如BCI拼寫器）。
- N170：面孔識別相關(guān)的負(fù)波（社交認(rèn)知研究）。
峰值檢測：如癲癇棘波、尖慢波檢測（臨床EEG）。

2. 頻域分析

傅里葉變換（FFT）：計(jì)算功率譜密度（PSD），分析各頻段能量（如α波增強(qiáng)）。
時(shí)頻分析：
- 短時(shí)傅里葉變換（STFT）：觀察頻率隨時(shí)間變化（如運(yùn)動想象時(shí)的β波抑制）。
- 小波變換（Wavelet）：更高分辨率的時(shí)頻分析（如Morlet小波）。

3. 空間分析

地形圖（Topoplot）：可視化不同腦區(qū)的電位/功率分布（如α波枕葉優(yōu)勢）。
源定位（Source Localization）：
- 等效偶極子（Dipole Fitting）：估計(jì)異常放電源（如癲癇病灶）。
- 分布式溯源（sLORETA、eLORETA）：重建全腦神經(jīng)活動。

4. 機(jī)器學(xué)習(xí)與解碼

特征提取：
- 共空間模式（CSP）：用于運(yùn)動想象分類（區(qū)分左右手運(yùn)動）。
- 功率譜特征：提取θ、α、β等頻段能量。
分類算法：
- 傳統(tǒng)方法：LDA（線性判別分析）、SVM（支持向量機(jī)）。
- 深度學(xué)習(xí)方法：CNN（EEGNet）、RNN（LSTM）。
實(shí)時(shí)BCI應(yīng)用：如SSVEP頻率識別、運(yùn)動想象控制機(jī)械臂。

四、典型EEG分析工具

工具/庫	用途	特點(diǎn)
EEGLAB	MATLAB預(yù)處理（ICA、ERP分析）	交互式界面，適合科研
MNE-Python	Python EEG分析（時(shí)頻、溯源）	開源，支持深度學(xué)習(xí)集成
FieldTrip	MATLAB高級分析（源定位、統(tǒng)計(jì)）	適用于復(fù)雜實(shí)驗(yàn)設(shè)計(jì)
BCILAB	腦機(jī)接口信號處理與分類	集成多種BCI范式
NeuroKit2	Python生理信號分析（EEG/ECG/EMG）	適合初學(xué)者，自動化處理

五、挑戰(zhàn)與未來方向

噪聲抑制：
- 深度學(xué)習(xí)去噪（如自編碼器）。
- 多模態(tài)融合（EEG + fNIRS / MEG）。
實(shí)時(shí)處理：
- 嵌入式系統(tǒng)實(shí)現(xiàn)低延遲解碼（如FPGA加速）。
個體差異：
- 遷移學(xué)習(xí)（跨用戶模型適配）。
臨床應(yīng)用擴(kuò)展：
- 癲癇預(yù)測、抑郁癥生物標(biāo)志物檢測。

總結(jié)

EEG信號分析流程包括 采集→預(yù)處理→特征提取→解碼/可視化，方法涵蓋時(shí)域、頻域、空間域及機(jī)器學(xué)習(xí)。隨著深度學(xué)習(xí)與硬件技術(shù)的發(fā)展，EEG在醫(yī)療、BCI和神經(jīng)科學(xué)中的應(yīng)用將持續(xù)深化。

標(biāo)簽：