EEG技术因其实时性和易用性，在医疗、科研和消费领域持续扩展，但需进一步解决噪声抑制和信号解码精度问题。
脑电图（Electroencephalography, EEG）是一种非侵入式记录大脑电活动的技术，通过放置在头皮表面的电极检测神经元群同步放电产生的微弱电位变化。EEG具有毫秒级时间分辨率，但空间分辨率较低（约1-2 cm）。以下是EEG技术的核心要点：
一、EEG信号基础
1. 信号来源
-
神经元电活动：主要由大脑皮层锥体细胞的突触后电位（PSPs）同步产生，需数千个神经元同步放电才能被头皮电极检测到。
-
信号强度：头皮记录的电位幅度约为10–100 μV，比单个神经元动作电位（~1 mV）小得多。
2. 频段分类
EEG信号按频率分为多个节律，与不同认知状态相关：
| 频段 | 频率范围 | 相关状态 |
|---|---|---|
| δ波 (Delta) | 0.5–4 Hz | 深度睡眠、昏迷 |
| θ波 (Theta) | 4–8 Hz | 困倦、冥想、记忆编码 |
| α波 (Alpha) | 8–13 Hz | 闭眼放松、枕叶主导 |
| β波 (Beta) | 14–30 Hz | 专注、运动规划、焦虑 |
| γ波 (Gamma) | >30 Hz | 高阶认知（如注意、感知绑定） |
二、EEG系统组成
1. 硬件设备
-
电极：
-
材料：Ag/AgCl（氯化银）电极最常用，导电膏降低阻抗。
-
布局：按国际10-20系统（或更高密度如10-5系统）放置，覆盖全脑区域（如Fp1、Cz、O2等）。
-
-
放大器：放大微弱信号（增益约1000–10000倍），抑制共模噪声。
-
模数转换（ADC）：采样率通常≥250 Hz（避免高频信号混叠）。
2. 信号处理流程
-
预处理：
-
滤波：带通滤波（0.5–40 Hz）去除直流漂移和高频噪声。
-
去噪：独立成分分析（ICA）消除眼动（EOG）、肌电（EMG）干扰。
-
-
特征提取：
-
时域分析：事件相关电位（ERP，如P300）、峰值检测。
-
频域分析：快速傅里叶变换（FFT）计算功率谱密度。
-
-
分类/解码：
-
常用算法：LDA、SVM、CNN（深度学习需大量数据）。
-
三、EEG的应用场景
1. 临床医学
-
癫痫诊断：检测异常放电（如棘波、尖慢波）。
-
睡眠研究：分期（NREM/REM）及睡眠障碍（如失眠、呼吸暂停）。
-
脑死亡判定：确认脑电静息（flat EEG）。
2. 脑机接口（BCI）
-
控制类：
-
运动想象（MI-BCI）：想象左手/右手运动控制光标。
-
稳态视觉诱发电位（SSVEP）：注视闪烁目标产生特定频率响应。
-
-
通信类：
-
P300拼写器：通过矩阵闪烁选择字符（如ALS患者交流）。
-
3. 科研与消费级应用
-
认知神经科学：研究注意力、决策、情绪等脑机制。
-
神经反馈训练：通过实时EEG反馈调节大脑状态（如提升专注力）。
-
消费设备：
-
低成本头戴设备（如NeuroSky、Muse头环）用于冥想监测或游戏控制。
-
四、EEG的优缺点
优势
-
高时间分辨率：可捕捉毫秒级脑活动变化。
-
便携性与低成本：相比fMRI、MEG更易普及。
-
无创安全：适合长期监测（如重症监护）。
局限性
-
低空间分辨率：无法精确定位深部脑区（需结合fMRI或源定位算法）。
-
信号易受干扰：肌电、眼动、环境噪声（如50Hz工频）影响显著。
-
个体差异大：需用户特异性校准。
五、前沿技术与发展
-
干电极技术：无需导电膏（如EEG耳机），但信噪比低。
-
移动EEG：无线便携设备（如OpenBCI）用于日常监测。
-
混合BCI：结合EEG与fNIRS、眼动追踪提升性能。
-
深度学习：端到端模型（如EEGNet）自动提取特征。
典型EEG信号示例
-
α波阻断：闭眼时枕叶α波增强，睁眼后减弱。
-
P300波形：靶刺激后300 ms出现的正波（用于BCI拼写）。
EEG技术因其实时性和易用性，在医疗、科研和消费领域持续扩展，但需进一步解决噪声抑制和信号解码精度问题。
