Skip to content

第 1 章：EEG 基础

完全没接触过 Python？先看 第 0 章 —— 新手上路，它会教你如何读懂后面出现的所有代码。

本章几乎不涉及 MNE 代码 —— 它是后面一切内容建立的概念基础。读完本章后，你应该能看着一份 EEG 文件的元数据（metadata），大致明白自己在看什么。

本章内容： 1. EEG 到底测量的是什么 2. 10-20 电极命名系统 3. 频段（frequency band） 4. 常见伪迹（artifact） 5. 参考电极 6. 静息态记录 与 任务/事件相关记录 的区别

1. EEG 到底在测量什么？

当皮层中大量神经元以同步、协调的方式放电时，会产生微弱的电场。头皮上的电极捕捉到的正是由此产生的电压差 —— 量级大约在微伏（microvolt）级别（百万分之一伏特），大约比心电图（ECG）信号小 1000 倍，并且远小于周围的各种噪声源（肌肉活动、市电干扰等）。

这一点带来了几个影响深远的后果：

  • 颅骨和头皮会在空间上把信号"抹开"、模糊化，所以单个电极反映的是相当大一片皮层区域的活动，而不是某一个精确的"点"。
  • 由于信号本身极其微弱，很容易被非脑源的电活动（眼部肌肉、下颌肌肉、记录设备本身）淹没。EEG 处理流程的大部分工作，其实都是在把脑信号从这些噪声中分离出来。
  • 相比 fMRI 这类技术，EEG 拥有出色的时间分辨率（毫秒级），但空间分辨率较差。这正是为什么它是研究 ERP 的首选工具 —— ERP 关心的核心问题是大脑活动何时发生，而不是精确地在哪里发生。

2. 10-20 系统

电极位置有标准化的规范，这样不同实验室、不同设备之间的结果才能互相比较。"10-20" 系统把电极放置在头部测量基准点（鼻根到枕外隆凸、耳到耳）连线上 10% 或 20% 的位置。每个电极的名字都编码了它的位置信息：

  • 字母 = 脑区：Fp（额极）、F（额叶）、C（中央）、T（颞叶）、P（顶叶）、O（枕叶）
  • 数字 = 所在半球/距中线的远近：奇数 = 左侧，偶数 = 右侧，数字越大表示离中线越远
  • z 后缀（"zero" 的意思）= 中线位置，例如 Cz、Pz、Oz

所以 C3 = 中央区、左半球；O2 = 枕区、右半球；Fz = 额叶中线。M1/M2（有时写作 A1/A2）是乳突电极（耳后的骨突起处）—— 通常用作参考点，而不是直接测量皮层活动。

与其用文字描述图示，不如用 MNE 内置的 montage（电极布局）直接生成真实的图 —— 这正是我们之前用来修正你自己文件电极位置的那个对象。

10-20 电极系统

import mne
import matplotlib.pyplot as plt

# 设置字体，确保图中的中文能正常显示
plt.rcParams["font.sans-serif"] = ["Microsoft YaHei", "SimHei", "DejaVu Sans"]
plt.rcParams["axes.unicode_minus"] = False

mne.set_log_level("WARNING")

montage = mne.channels.make_standard_montage("standard_1020")
montage.plot(kind="topomap", show_names=True)
plt.show()

png

这是头部的俯视图（鼻子朝上）。找到沿中线排列的 Fz、Cz、Pz、Oz，并注意奇数编号都聚集在左侧，偶数编号都在右侧。你自己那份记录里的 32 个通道，正是这个整体布局的一个子集。

3. 频段

EEG 信号常常被分解为几个常规频段。它们与状态的大致对应关系如下（这些只是经验性的概括，不是严格规则）：

频段 范围 常见关联
Delta（δ） 1–4 Hz 深度睡眠
Theta（θ） 4–8 Hz 昏昏欲睡、记忆相关过程
Alpha（α） 8–13 Hz 放松清醒状态，尤其是闭眼时，在枕部电极最强
Beta（β） 13–30 Hz 主动思考、专注、运动活动
Gamma（γ） 30 Hz 以上 高层次认知整合；也很容易被肌肉伪迹污染

具体到 ERP 分析（也就是你的目标）来说，大多数情况下根本不需要把信号分解到这些频段里 —— 你直接处理滤波后的原始电压波形。频段分析在静息态/振荡功率相关研究中更为重要。不过了解这些术语依然很有用，因为滤波截止频率的选择（例如"为什么是 1–40 Hz？"）通常正是参照这些频段决定的 —— 1 Hz 高通滤波去除了低于 delta 的缓慢漂移，40 Hz 低通滤波保留了直到低 gamma 的所有内容，同时切除了以肌肉信号为主的高频成分。

下面快速看一下这些频率实际作为波形长什么样：

import numpy as np

t = np.linspace(0, 2, 1000)
bands = {"delta (2 Hz)": 2, "theta (6 Hz)": 6, "alpha (10 Hz)": 10, "beta (20 Hz)": 20, "gamma (40 Hz)": 40}

fig, axes = plt.subplots(len(bands), 1, figsize=(9, 7), sharex=True)
for ax, (label, freq) in zip(axes, bands.items()):
    ax.plot(t, np.sin(2 * np.pi * freq * t))
    ax.set_ylabel(label, rotation=0, ha="right", va="center")
    ax.set_yticks([])
axes[-1].set_xlabel("时间 (s)")
fig.suptitle("各个频段作为波形的实际样子")
plt.tight_layout()
plt.show()

png

4. 常见伪迹

会污染 EEG 记录的非脑源电信号：

  • 眨眼（EOG） —— 幅度大、变化缓慢的偏转，在额部电极（Fp1、Fp2）处最强。在任何睁眼记录中，这都是迄今为止最常见的伪迹。
  • 眼动 —— 比眨眼小，但性质类似；随着眼球（本身就是一个电偶极子）转动，会产生系统性的电压变化。
  • 肌肉活动（EMG） —— 咬牙、皱眉、吞咽等动作。表现为高频的尖峰噪声，通常出现在颞部/额部电极。
  • 心跳（ECG） —— 一种细微、尖锐、有节律的搏动，在靠近颈部/乳突电极处更需要留意。
  • 电源线噪声 —— 一个恒定的正弦波，频率为你所在国家的市电频率（50 Hz 或 60 Hz）及其谐波，从附近电源线/设备中窜入。用陷波滤波器去除。
  • 运动/电极伪迹 —— 由电极贴合不良、导线晃动，或出汗改变了阻抗，引起的突然跳变或漂移。

滤波能处理其中一部分（电源线噪声、缓慢漂移）。眼动和肌肉伪迹通常需要针对性地去除 —— 这正是 ICA（第 5 章）要做的事。

5. 参考电极

EEG 测量的是电压差 —— 单个电极并不存在所谓"绝对"的测量值。每个通道的数值，本质上都隐含着"这个电极减去某个参考点"的意思。选择哪个参考点，会影响你看到的具体数值，但不会影响背后真实的脑活动本身。

常见的选择：

  • 某一个具体的物理电极，例如 Cz 或 CPz（你自己的那份记录用的正是这种方式 —— 回忆一下 Fp1-CPz 这样的通道名）。
  • 双侧乳突联合参考，把 M1+M2（或 A1+A2）取平均作为参考 —— 在 ERP 研究中很常见，因为它到大多数头皮位置的距离大致相等。
  • 平均参考，用所有电极的平均值作为参考 —— 在高密度电极阵列的 EEG 中很常见，某些分析方法也要求使用它。

只要你知道原始记录用的是哪种参考方式，就可以在记录之后随时重新参考数据（MNE 的 set_eeg_reference()，第 4 章会讲）—— 你无法还原出一个"无参考"的"真实"信号，因为这样的信号本就不存在，但你可以在不同参考方案之间做数学上的换算。

参考电极的含义

6. 静息态记录 vs. 任务/事件相关记录

  • 静息态：受试者只是静坐（睁眼或闭眼），没有任何刺激。主要通过频段功率来分析（第 3 节的那张表在这里很重要）。
  • 任务/事件相关记录（你的情况）：记录中包含标记事件发生时刻的标记点（"事件"/"触发（trigger）"/"标注（annotation）"）—— 比如呈现了一个刺激、播放了一段声音、按下了一个按钮。有了这些标记，你就可以计算出 ERP（事件相关电位，event-related potential）：把连续记录切成围绕每个事件的短小片段（epoch），再对同一类事件的许多次重复进行平均。平均这一步是关键所在 —— 单次试次中的脑反应，通常在噪声中根本看不出来，但把许多试次平均起来，随机噪声会互相抵消，而与事件保持稳定时间关系的反应则会显现出来。第 7 章我们会针对这一点建立真正的直观理解。

下一章：第 2 章 —— MNE 核心概念，我们将从这里开始写真正的 MNE 代码，并学习贯穿本教程后续内容的核心词汇（Raw、Epochs、Evoked、Info）。