EEG 脑电信号分析：运动想象与癫痫检测

FreeGuideOnline 最新 2026-06-26

EEG 脑电信号分析：从基础到运动想象与癫痫检测

脑电图（EEG）是一种通过头皮电极记录大脑电活动的非侵入式技术。它时间分辨率极高（毫秒级），成本相对低廉，是认知神经科学、脑机接口（BCI）和临床诊断的重要工具。本教程面向零基础读者，以运动想象和癫痫检测两个典型场景为主线，系统讲解 EEG 分析的完整流程。

1. 什么是 EEG 信号，它从何处来

1.1 神经电活动的起源

大脑皮层锥体神经元同步突触后电位是 EEG 信号的主要来源。当大量神经元以相似的空间取向同时活跃时，产生的电场才能穿透头皮被电极捕获。单个神经元的动作电位几乎无法在头皮上被记录到。

1.2 信号特征

  • 频率范围：临床与研究关注的频率在 0.5–100 Hz，通常分为五个节律频段：
    Delta（δ，0.5–4 Hz，深度睡眠）
    Theta（θ，4–8 Hz，冥想、困倦）
    Alpha（α，8–13 Hz，闭眼放松）
    Beta（β，13–30 Hz，活跃思维、运动准备）
    Gamma（γ，30–100 Hz，高级认知整合）
  • 幅度：头皮 EEG 幅值通常在 10–100 μV，需经过放大才能分析。
  • 空间分布：不同频带的活动在大脑皮层上有典型的地形图分布，例如 α 波在枕部最强。

2. 数据获取与电极系统

2.1 国际 10-20 系统

标准电极放置采用 10-20 系统，保证不同实验室数据的可比性。电极名称由字母（区域）和数字（半球奇偶）组成：
Fp（额极）、F（额）、C（中央）、P（顶）、O（枕）、T（颞）。
奇数表示左侧，偶数右侧，z为中线。常见通道数有 21、32、64、128 等。

2.2 参考电极与导联方式

  • 参考电极：常置于耳垂（A1/A2）、乳突或 Cz。正确参考可降低共模噪声。
  • 双极导联：测量两活动电极间电位差，如癫痫定位中常用。
  • 平均参考：将所有通道的平均值作为虚拟参考点，但通道数有限时需慎重。

2.3 数据记录要素

采样率至少为信号最高频率成分的 2–5 倍，通常选择 256 Hz、512 Hz 或更高。必须同步记录电极阻抗（建议低于 5 kΩ）以及事件标记（trigger），用于后续分段。

3. EEG 预处理：把信号“洗干净”

原始 EEG 受到多种噪声干扰，预处理是关键一步，直接决定后续分析质量。

3.1 滤波去除噪声

  • 高通滤波：截止频率通常 0.5–1 Hz，消除慢波漂移和出汗伪迹。
  • 低通滤波：截止 40–100 Hz，去除肌电高频干扰。注意不要滤掉感兴趣的 gamma 频段。
  • 陷波滤波：50 Hz 或 60 Hz，消除市电干扰。建议在去除伪迹后使用，或采用多带滤波避免振铃效应。

3.2 坏通道与坏段识别

自动检测方差、功率或梯度异常大的通道和时间段。常用方法：

  • 计算每个通道的方差或峰峰值，标记超出阈值的。
  • 肉眼检查并修复：坏通道插值（使用周围电极的球面样条插值），坏段直接剔除。

3.3 独立成分分析（ICA）

ICA 将多通道信号分解为统计独立成分，是去除眼电、肌电、心电等伪迹的首选方法。

  • 眼电伪迹：眨眼和眼球的转动在额极电极产生大幅低频波，ICA 成分具有典型的前额稳定分布。
  • 分类与去除：利用自动分类器（如 ICLabel）识别伪迹成分，然后将其去除，重建信号。

3.4 重参考与基线校正

经过 ICA 和通道插值后，根据分析目的重新设定参考（如平均参考）。对于事件相关分析，常采用刺激前一段时间（如 -200 ms 至 0 ms）进行基线校正。

4. 特征提取：从波形到数字

4.1 时域特征

  • 事件相关电位（ERP）：叠加平均锁定相同事件的数据段，提取峰值振幅和潜伏期，如 P300、N100 等。
  • 统计特征：均值、方差、过零率、Hjorth 参数（活动性、移动性、复杂度）可快速刻画信号。

4.2 频域与时频特征

  • 功率谱密度（PSD）：Welch 法或傅里叶变换估计各频段功率。在运动想象中，μ 节律（8–12 Hz）和 β 节律（13–30 Hz）在感觉运动区出现事件相关去同步/同步（ERD/ERS），即功率相对于基线下降或上升，这是 BCI 的核心特征。
  • 短时傅里叶变换（STFT）与小波变换：给出频率随时间的变化，适合分析癫痫发作过程中频率的演变。
  • 频带能量比：提取特定频带能量占总能量的比率，如癫痫发作时常出现低频与高频功率的比例变化。

4.3 非线性与连接性特征

  • 熵：样本熵、排列熵等，衡量信号的规律性。癫痫发作前期脑电复杂性可能下降。
  • 功能连接：相干性、相位锁定值（PLV）、相位滞后指数等分析不同脑区间的同步性。癫痫通常表现为异常同步增强。
  • 谱图小时变换：可捕捉频率快速变化的瞬时特征，在癫痫棘波检测中很有价值。

4.4 空间特征

  • 公共空间模式（CSP）：专为二分类任务（如两种运动想象）设计，寻找最优空间滤波器，最大化两类的方差差异。CSP 及其变体（FBCSP）是运动想象 BCI 的黄金特征。
  • 共同平均参考后的地形图：按电极位置绘制功率或电位分布图，直观观察特征的空间模式。

5. 运动想象脑电分析实战

5.1 实验范式

被试根据提示想象左手、右手、双脚或舌头的运动，不进行实际动作。典型流程：

  1. 准备阶段（黑屏，2 s）
  2. 提示（左/右手箭头，1.25 s）
  3. 想象阶段（持续想象直到 cue 消失，4 s）
  4. 休息（随机时长）
    分析时提取想象开始后 0.5–2.5 s 的数据段。

5.2 事件相关去同步/同步（ERD/ERS）

  • 对于右手想象，左侧感觉运动区的 μ 和 β 频段功率下降（ERD），同侧可能轻度上升（ERS）。
  • 计算 ERD%：ERD% = (功率_想象 - 功率_基线)/功率_基线 × 100%，负值代表去同步。
  • 通常观察电极 C3 和 C4 的 μ 节律能量变化。

5.3 特征工程与分类

  1. 带通滤波：提取 8–30 Hz 信号。
  2. CSP 特征计算：训练 CSP 空间滤波器，得到投影后信号的方差对数特征（通常取前 m 个和后 m 个模式，共 2m 维）。
  3. 分类器：线性判别分析（LDA）、支持向量机（SVM）或逻辑回归都简单有效。对于更复杂的模式，可使用深度学习，但小样本时经典方法更可靠。
  4. 评估：采用留一被试或跨会话交叉验证，避免过拟合。常用 kappa 值和准确率评价。

5.4 在线 BCI 系统注意事项

  • 实时滤波和分段处理延迟需控制在 200 ms 内。
  • 自适应校准：初始训练分类器后，可在线更新参数以适应被试状态变化。
  • 伪迹在线处理：使用阈值检测眨眼并直接剔除 trial，或者使用预计算的 ICA 混合矩阵固定变换。

6. 癫痫脑电分析与自动检测

6.1 癫痫样放电特征

  • 棘波：持续 20–70 ms，明显高出背景活动，尖峰状。
  • 尖波：70–200 ms，较圆钝。
  • 棘-慢复合波：棘波后跟随一个慢波，典型频率约 3 Hz（失神发作）。
  • 发作期节律性活动：频率、幅度和形态迅速演变。

6.2 常见分析任务

  • 发作检测：识别癫痫发作的时间段。
  • 发作预测：在发作前数分钟至数十分钟发出预警。
  • 棘波自动标注：减少医生阅图时间。
  • 致痫灶定位：通过发作间期放电头皮分布或颅内电极分析手术定位。

6.3 经典分析流程

  1. 预处理：带通 1–70 Hz 加陷波，去除伪迹。注意癫痫患者的 EEG 常含大量肌电，需仔细清理。
  2. 分段：以标记的发作起始点为基准，截取发作前、发作、发作后数据，或取发作间期棘波。
  3. 特征提取：
    • 时域：局部斜率、峰度、波幅时域包络。
    • 频域：功率谱分段统计（δ, θ, α, β, γ 带能量），带宽特征。
    • 非线性：李雅普诺夫指数、相关维度（癫痫发作前和发作中复杂度变化）。
    • 时频图：计算谱图并使用图像特征或 CNN 自动提取特征。
  4. 分类或检测：
    • 使用 SVM、随机森林、梯度提升等传统方法，输入手工特征。
    • 深度学习：1D-CNN、LSTM 或 2D-CNN（以时频图为输入）直接端到端学习，效果良好但需大量标注数据。
  5. 后处理：利用时间平滑（如“发作事件必须持续一定秒数”）减少孤立的误检。

6.4 性能评估指标

  • 灵敏度、特异性、F1 分数。
  • 区域层面评估（segment-based）与事件层面评估（event-based）：后者要求预测的起始点与实际误差在容忍窗内。
  • 假阳性率（每小时发作次数）在临床中至关重要。

7. 实用工具与开源资源

7.1 Python 生态

  • MNE-Python：最全面的 EEG/MEG 分析库，支持预处理、ICA、CSP、可视化、源定位。文档完善，社区活跃。
  • PyRiemann：专注于黎曼几何 BCI，可以替代 CSP 进行协方差矩阵分类，尤其适合多类想象任务。
  • Scikit-learn：通用机器学习库，提供 LDA、SVM、随机森林等分类器。
  • TensorFlow / PyTorch：构建深度学习模型，如 EEGNet、DeepConvNet 等专为 EEG 设计的架构。

7.2 MATLAB

  • EEGLAB：著名的图形界面分析工具，拥有庞大的插件生态系统（如自动伪迹去除插件 ICLabel、源定位插件等）。
  • FieldTrip：更侧重源定位、时频分析和高级统计。

7.3 公开数据集

  • BCI Competition IV 2a：四类运动想象数据集（左手、右手、双脚、舌头），22 通道 EEG，9 名被试，常用于算法基准测试。
  • CHB-MIT 癫痫数据库：22 名儿科癫痫患者的长程 EEG，包含发作起始标注，用于检测算法开发。
  • TUH EEG Corpus：天普大学医院的大型临床脑电数据库，涵盖正常与多种异常状态。

8. 常见挑战与应对策略

8.1 个体差异与跨被试泛化

不同人的 α 峰值频率和想象期间 ERD 模式差异大。解决方案：

  • 采用被试内自适应调整，如根据休息态频谱个性化确定 mu 频段。
  • 迁移学习：用大量预训练模型在少量新被试数据上微调。

8.2 非平稳性与小样本

EEG 信号随时间变化，同一被试不同 session 的分布可能漂移。可通过：

  • 正则化协方差估计（CSP+L1/L2 范数）。
  • 数据扩增：时间扭曲、噪声注入、切割随机段。

8.3 伪迹鲁棒性

运动想象任务中被试可能无意识产生微小肌肉动作，癫痫患者常有强烈肌电伪迹。对策：

  • 结合 ICA 和自动成分分类。
  • 在特征层面加入伪迹检测指标（如高频肌电比率），剔除受污染段。
  • 使用鲁棒分类器或在训练时加入伪迹样本。

8.4 可解释性

临床和 BCI 常要求模型提供解释。建议：

  • 绘制 CSP 模式或全脑拓扑图，看分类权重是否符合神经生理学预期。
  • 利用 SHAP、LIME 等解释工具对特征重要度可视化。
  • 深度学习可尝试 Grad-CAM 定位对预测有贡献的时间与频率区域。

9. 未来方向一览

  • 干电极与可穿戴设备：降低使用门槛，实现日常监测。
  • 端到端深度学习：直接从原始 EEG 波形实现运动想象分类或癫痫检测，减少人工特征依赖。
  • 无监督与自监督学习：利用大量无标注数据预训练，解决标注稀缺问题。
  • 多模态融合：EEG 与功能性近红外光谱（fNIRS）、眼动、行为数据结合，提升模型性能和鲁棒性。
  • 闭环神经调控：实时分析 EEG 并触发刺激（如电刺激、经颅磁刺激），实现癫痫的按需干预。

小结

本教程覆盖了 EEG 信号原理、预处理、特征提取与机器学习建模的核心概念，并以运动想象和癫痫检测两个具体任务展示了从数据到结果的完整流程。EEG 分析是一个交叉领域，既需要信号处理和统计知识，也离不开神经生理学理解。建议读者以 MNE-Python 为实践起点，配合公开数据集动手操作，逐步深入。随着工具与算法的进步，在自我健康监测、人机交互和脑疾病诊疗中，EEG 正释放出更大的潜力。