EEG脑电信号采集及常用数据分析方法

EEG是脑电图（Electroencephalogram）的缩写，是一种测量大脑电活动的方法。它通过在头皮上放置电极来记录大脑皮层神经元的电活动，并将这些记录转换成图形或数字数据。这种电活动是由大脑中的神经元群体的集体行为所产生的。

EEG是一种常用的非侵入性神经影像技术，可用于研究大脑功能和诊断脑部疾病。通过分析EEG信号，研究人员和临床医生可以了解大脑在不同状态下的活动模式，如睡眠、觉醒、认知任务执行等，以及诊断和监测一些脑部疾病，如癫痫、睡眠障碍和脑损伤等。

一般来说，EEG信号是以波形的形式表示的，通常包括不同频率范围内的波动，如δ波（0.5-4Hz）、θ波（4-8Hz）、α波（8-13Hz）、β波（13-30Hz）和γ波（30-100Hz）。这些波形可以提供关于大脑活动的信息，例如觉醒程度、注意力水平、情绪状态等。

1 常见脑电图测量方法

• 准备工作：
• 确保实验室环境安静，避免电磁干扰。
• 通过清洁皮肤并使用导电胶等物质来减少电极与头皮之间的阻抗。
• 确保被试舒适，避免运动和肌肉张力对EEG信号的影响。
• 表面电极记录：
• 在头皮表面放置电极，通常使用胶水或帽子固定。
• 根据实验需求，如采用10-20国际系统（10-20 International System）标准，比如：O1，Oz，O2，PO3，POz，PO4，P3，Pz，P4，C3，Cz，C4，F3，Fz，F4，Fpz等通道，或采用其他标准系统放置电极。
• 通常使用银/银氯化银电极，一般至少使用16个电极，以确保覆盖大脑的各个区域。
• 比较常用的ground位置有额头，常用的reference参考电极有耳后乳突。

• 脑电信号放大器：
• 将电极连接到专业的EEG放大器和采集系统，放大脑电信号以便记录和分析。
• 放大器通常包括多个通道，以便同时记录多个脑区的信号。
• 受试者最好身体处于静止状态，在实验中减少EOG（眼电） 、 EMG（肌电） 、ECG（心电） 等干扰。

• 采样频率和时长：
• 确保采样频率足够高以捕捉到实验所需的频率范围（通常在100Hz以上）。
• 采集时，要求电极的电路阻抗均保持在10kΩ，甚至 3 kΩ 以下。
• 采样时长取决于实验设计，通常在数分钟到数小时之间。
• 实验任务和刺激：
• 设计实验任务和刺激以引发特定的脑电反应。
• 记录刺激呈现的时间点以及被试的反应。
• 数据记录和存储：
• 使用专业的脑电数据采集软件来进行数据记录和管理，可以保存在计算机或其他存储设备中以进行后续分析。
• 数据分析：
• 对采集到的脑电数据进行预处理，包括去除噪声、伪迹去除、阻抗校正等。
• 进行时域、频域、时频域分析，如ERP、功率谱密度、小波变换等。
• 使用机器学习方法进行模式识别和功能连接分析。

2 常见脑电信号分析方法

• 预处理：
• 去噪声：基于实验目的，使用带通滤波器或者陷波滤波器进行滤波，去除直流漂移和高频噪声。（以下是部分参数参考）

①在离线预处理分析中，对EEG 常用 0.5 Hz至75 Hz之间的带通滤波器，加以 50Hz的陷波滤波器对工频信号进行过滤。②在时域处理上，绝对幅度超过75 µV 的采样点常被视为噪声（可能来源于 EMG、EOG）。③EOG（眼电）对EEG的干扰，可以考虑成分分析算法，通过ICA分离EOG, 其中 Second order blind identification(SOBI)效果拔群。

• 伪迹去除：通过坏道检测和插值处理来处理因电极失效或脑电漂移引起的伪迹。
• 阻抗校正：检查和调整电极阻抗，以确保数据质量。

• 事件相关电位分析 Event-related potentials：（最常使用）
• ERP分析：研究特定事件相关的脑电反应，如P300、N400等。
• 事件相关频率分析：分析特定事件相关的频率变化，如事件相关同步/去同步（ERS/ERD）。
• 时域分析：
• 平均波形：将EEG数据按条件或事件类型进行平均，以获取特定事件相关的ERP（事件相关电位）。
• 潜伏期分析：测量特定ERP成分（如P300、N170等）的潜伏期，以研究不同任务或刺激条件下大脑反应的时间特性。
• 频谱分析 Spectral analysis：
• 功率谱密度：计算在不同频率范围内的信号功率，以研究大脑活动的频率特性。
• 频谱同步：分析不同脑区之间的频率同步性，以了解大脑网络的功能连接。

• 时频分析 Time-frequency analysis：
• 小波变换：提供时间和频率信息的联合分析，以研究信号在时间和频率上的变化。
• 时频分析：研究信号的时变特性，包括时频分布和相位信息。

• 盲源分离 Blind source separation：
• 盲源分离技术旨在从混合信号中分离出独立的源信号。
• 常用的方法包括主成分分析（PCA）、独立成分分析（ICA）、盲源分离（BSS）和盲源分离技术（BLIND）。

• 微状态分析 Microstate analysis：
• 微态分析将脑电信号分解为短时段的稳定微态或状态，并研究它们之间的转换。
• 这种方法可以提供关于大脑活动的更详细和动态的信息。
• 源分析 Source analysis：
• 源分析旨在确定脑电信号在大脑中的来源位置。
• 常用的源分析方法包括逆问题求解方法（如MNE、sLORETA和DIPFIT）和基于空间滤波的方法（如Beamforming和LORETA）。
• 单试验分析 Single-trial analysis：
• 单试验分析针对每个试验单独分析脑电数据，而不是对整个数据集进行平均处理。
• 这种方法可以提供更多的试验间变异性信息，有助于个体差异和事件相关活动的研究。
• 非线性神经动力学分析 Nonlinear neural dynamics：
• 非线性神经动力学研究大脑活动的复杂动态特性，如混沌、非周期振荡和复杂网络结构。
• 这些方法可以揭示大脑活动的动态性和复杂性，对理解大脑的信息处理机制至关重要。
• 连通性分析 Connectivity analysis：
• 连接性分析研究不同脑区之间的连接模式，包括有效连接和功能连接。

①有效连接：这种方法试图确定从一个电极到另一个电极信息传递的因果关系。即，如果一个脑区在时间上先于另一个脑区激活。

②功能连接：这是双向连接，不能确定因果关系。即，两个脑区共享同一个活动，表明这两个脑区是相连的。

• 常见的连接性分析方法包括相关性分析、Granger因果分析、传递函数分析和图论分析。①相干性分析：研究不同脑区之间的相互关系。
  ②Granger因果分析：评估脑区之间的因果关系，以了解信息传递方向。
• 时间复杂网络分析：
• 时间复杂网络分析构建复杂网络来描述脑区之间的时空关系，并分析其拓扑特性。
• 这种方法可以揭示大脑网络的组织结构和动态演化，对理解大脑功能和疾病机制具有重要意义。
• 机器学习和深度学习方法：
• 机器学习和深度学习方法用于处理和分析大量脑电数据，识别模式、预测结果或分类试验条件。模式识别：使用机器学习算法识别特定的脑电模式，如分类被试的认知状态。
• 这些方法可以帮助发现潜在的生物标记、个体差异和疾病特征，对临床诊断和治疗具有潜在应用价值。

---

参考文献

• [1]Steven J. Luck (2014). An Introduction to the Event-Related Potential Technique, second edition
• [2]Picton, T. W. (1992). The P300 wave of the human event-related potential. Journal of Clinical Neurophysiology
• [3]Niedermeyer, E., & da Silva, F. L. (2005). Electroencephalography: Basic principles, clinical applications, and related fields (5th ed.). Lippincott Williams & Wilkins
• [4]P Stoica, RL Moses (2005）Spectral analysis of signals
• [5]GD Pinna, R Maestri, A Di Cesare - Medical and Biological Engineering …,(1996). Application of time series spectral analysis theory: analysis of cardiovascular variability signals
• [6]J.F. Cardoso,d A. Souloumiac(1993). Blind beamforming for non-gaussian signals
• [7]Koenig, T., & Melie-García, L. (2010). A method to determine the presence of averaged event-related fields using randomization tests. Brain Topography
• [8]PL Nunez, R Srinivasan(2006) Electric fields of the brain: the neurophysics of EEG
• [9]Friston, K. J. et al., (1993). Functional connectivity: the principal-component analysis of large (PET) data sets
• [10]Philiastides, M. G. & Sajda, P. (2006). Temporal Characterization of the Neural Correlates of Perceptual Decision Making in the Human Brain
• [11]Poulsen, A. T., Kamronn, S., Dmochowski, J., Parra, L. C., & Hansen, L. K. (2018). EEG in the classroom: Synchronised neural recordings during video presentation
• [12]Breakspear, M., Roberts, J. A., Terry, J. R., Rodrigues, S., & Mahant, N. (2006). A Unifying Explanation of Primary Generalized Seizures Through Nonlinear Brain Modeling and Bifurcation Analysis
• [13]Stam, C. J., & van Straaten, E. C. W. (2012). Go with the flow: Use of a directed phase lag index (dPLI) to characterize patterns of phase relations in a large-scale model of brain dynamics
• [14]Friston, K. J. (2011). Functional and effective connectivity: A review
• [15]Bullmore, E. & Sporns, O. (2009). Complex brain networks: graph theoretical analysis of structural and functional systems
• [16]Rubinov, M., & Sporns, O. (2010). Complex network measures of brain connectivity: Uses and interpretations
• [17]LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning