搜尋其他主題…

透過快速設置、針對彈性現場部署進行優化的的高密度無線電極陣列,加速您的分析性腦波圖(EEG)時程。

透過快速設置、針對彈性現場部署進行優化的的高密度無線電極陣列,加速您的分析性腦波圖(EEG)時程。

EEG 數據提供了從頭皮測量到的電活動的具時效性記錄。其價值不僅取決於記錄本身,還取決於仔細的採集、透明的處理、妥善的儲存以及負責的解讀。

透過快速設置、針對彈性現場部署進行優化的的高密度無線電極陣列,加速您的分析性腦波圖(EEG)時程。

透過快速設置、針對彈性現場部署進行優化的的高密度無線電極陣列,加速您的分析性腦波圖(EEG)時程。

什麼是腦電圖(EEG)數據?

EEG 數據是透過放置在頭皮上或靠近頭皮的電極所測量到的電位差數位記錄。腦電圖具有非侵入性並提供高時間解析度,使研究人員與臨床醫生能夠以毫秒級的精度觀察大腦活動的變化。所產生的訊號通常儲存為一個或多個連續的時間序列,每個通道代表相對於參考點的測量值。

該訊號反映了多種來源的混合。神經活動是記錄的主要成分,但諸如眼球運動、肌肉收縮、電極移動、環境干擾以及接觸狀態改變等偽影(artifacts)也可能出現在波形中。

因此,EEG 數據並不是單一大腦過程的直接讀取結果。它是一種需要結合背景情境、品質檢查以及明確分析方法的觀測數據。

通道數量、採樣率、參考電極、電極位置、事件標記和受試者資訊都會影響數據的解讀方式。在實務中,只有將訊號與採集時的任務、狀態、時間點及條件一同考量時,記錄才最具參考價值。

大腦細胞如何產生 EEG 訊號

EEG 電極檢測到的電位偏轉並非源自神經元用於長距離通訊的尖銳、全有或全無的動作電位,而是源自沿著皮質錐體細胞樹突傳播的較慢、具漸變性的突觸後電位。

當數以千計的這類神經元近乎同步活化時,微小的細胞外電流會透過大腦、腦脊髓液、顱骨和頭皮等導電介質疊加,這一過程稱為容積導電(volume conduction)。最終到達記錄感測器的電位,就是這種大規模神經同步活動經過擴散但真實存在的反映。

EEG 數據採集的工作原理

在採集過程中,電極會偵測微小的電壓波動,並由記錄系統轉換為數位樣本。系統通常同時記錄多個通道,而參考電極與接地電極則提供計算各通道數值所需的電氣基準。採樣率決定了測量訊號的頻率,進而決定了哪些變化能夠被真實呈現。

在記錄前,技術人員或研究人員會根據設定好的導聯配置(montage)放置電極並檢查接觸品質。EEG 電極放置架構描述了一種標準化方法,支援不同實驗階段和實驗室之間的比較。當刺激出現、受試者做出反應或發生臨床事件時,可以加入事件標記,建立一條隨後可與記錄訊號對齊的時間線。

採集過程也受實驗方案的影響。靜息態記錄、睡眠研究、認知任務和癲癇監測會使用不同的記錄時長、指導語和輔助感測器。因此,完整的數據集不僅包含電壓波形,還可能包括通道標籤、電極位置、設備設定、事件代碼、註釋以及中斷或異常情況的記錄。

EEG 數據收集的最佳實踐

良好的數據收集始於在測試受試者之前就明確定義研究問題、記錄時長、通道配置、採樣率、參考電極和事件標記程序的實驗方案。一致性可以減少不同測試階段之間不必要的變異,使後續的比較更具說服力。該方案還應說明當通道出現雜訊、受試者移動或遺漏事件標記時的應對措施。

實體準備也至關重要,因為日常的動作和不良的電極接觸都會導致訊號品質下降。這就是為什麼操作人員通常會檢查阻抗或等效的接觸指標、清楚解釋任務,並記錄受試者狀態的相關變化。這些步驟雖然不能消除所有偽影,但能更容易識別其來源,並防止可避免的問題被誤認為神經學發現。

一份簡短的收集檢查清單可以在不取代科學判斷的情況下,確保各項操作細節一目了然:

  • 確認通道標籤、電極位置、參考電極和接地電極。

  • 記錄採樣設定、濾波器設定和設備配置。

  • 一致地標記刺激、反應、暫停和臨床相關事件。

  • 記錄中斷情況、動作、電極更換和異常的受試者狀態。

收集完成後,應將檢查清單與原始記錄及其元數據的審查結合使用。清晰的採集記錄使分析人員能夠區分真實的訊號特徵與由硬體、設定或實驗方案偏差引起的變化。

濕電極與乾電極及皮膚接觸品質

所有 EEG 記錄都始於貼在皮膚上的實體感測器,而該感測器主要分為兩大類。

濕電極使用導電凝膠或導電膏來填補金屬與頭皮之間的間隙,從而降低阻抗。乾電極則不需要凝膠,依靠先進材料和內建的前置放大器來維持訊號保真度。

有些電極是有源(active)的,這意味著它們在記錄點直接包含阻抗轉換電路;無源(passive)電極則缺少這種板載電子元件。無論何種類型,電極與頭皮界面的品質決定了生物訊號在到達放大器之前能保留多少。

不良的接觸會引入環境雜訊和運動偽影,這些雜訊可能會淹沒微弱的大腦活動。Winkler 等人在針對偽影源成分這一普遍問題建立用於獨立成分分析 (ICA) 成分的跨受試者分類器時,明確指出了這一挑戰。

這項研究的存在本身就強調了偽影干擾是 EEG 記錄中持續存在的問題,而電極的初始配戴——清潔皮膚、正確放置感測器並確認穩定連接——是減輕後續處理必須應對的偽影負擔的第一步,也是最直接的方法。

導聯設計與標準 10–20 系統

由於頭皮電位沒有固有的空間標籤,該領域很久以前就採用了座標網格。國際 10–20 系統在四個解剖標記之間按比例定義電極位置:鼻根(鼻樑)、枕外隆凸(後腦勺的骨性隆起)以及耳朵正前方的左右耳前點。這種標準化意味著標記為“Cz”的通道在每個實驗室中都代表相同的中央頂點位置,使數據集具有直接可比性。

導聯配置定義了每個電極的電壓如何相對於參考點進行測量,以及這些雙極或參考衍生訊號如何顯示或儲存,它建立在實體佈局之上。Arnaud Delorme 的研究有力地說明了為什麼準確的導聯資訊對後續分析至關重要;該研究發現,壞通道內插(少數能持續提高事件相關電位統計功效的預處理步驟之一)仰賴於清楚知道每個電極的精確空間相鄰位置。如果沒有正確的通道圖,這種內插就無法可靠運作。

他隨後補充說,偽影分類器的設計旨在推廣應用於使用不同通道設定的數據,這進一步證實了分類器的空間特徵需要建立在記錄完備的排列結構之上。因此,標準化且忠實記錄的導聯配置成為支撐人工解讀和演算法重複使用的無形支架。

選擇並記錄線上參考電極

每台 EEG 放大器記錄的都是兩點之間的電位差。在線上即時記錄期間,其中一個點是實體參考電極,硬體將其視為固定的基準線。

常見的選擇包括頂點(Cz)、雙側耳垂或乳突連接,或是所有頭皮通道的平均值。由於原始數據檔案儲存的是相對於該原始參考點的電壓,因此無論研究人員日後是否在數學上將訊號重新參考至另一個共模點,這個選擇都會在數值上留下永久印記。

在 Delorme 上述測試三個公開 EEG 數據集上自動化預處理流程的研究中,他發現重參考和進階基線移除方法對分析效能有顯著不利影響,降低了顯示出顯著實驗效應的通道百分比。

這項發現並不意味著絕不能重新參考,而是意味著初始的線上參考電極必須記錄在檔案標頭中。只有具備該記錄,未來的分析人員才能了解最初扣除的基準線是什麼,並評估隨後的任何轉換是否可能扭曲真實的大腦反應。

類比數位轉換與採樣率

從每個電極流出的連續電壓會經由類比數位轉換器(ADC)轉換為離散數值串流。ADC 採樣的速率決定了所得時間序列的時間粒度。

例如,500 Hz 的採樣率意味著每 2 毫秒採集一次大腦的電狀態。根據奈奎斯特(Nyquist)定理,數位化訊號中能夠忠實呈現的最高頻率小於採樣率的一半,因此 500 Hz 的記錄可以還原略低於 250 Hz 的頻率。研究級 EEG 通常在 250 Hz 至 1000 Hz 之間運作,具體取決於感興趣的頻帶。

採樣率作為元數據之所以特別重要,是因為它會在無形中限制後續很長一段流程中的分析選擇。Fraschini 等人透過測試 epoch 長度(為進行功能連結性分析而截取的數據時間窗)如何改變分析結果,精確檢驗了這種連鎖反應。

該研究使用健康成人的靜息態 EEG,顯示平均相位滯後指數(phase-lag index)和振幅包絡相關(amplitude-envelope correlation)值均隨著 epoch 變長而下降,分別在大約 12 秒和 6 秒後才趨於穩定。甚至從數據重建的圖論網路拓撲結構也會隨 epoch 時長而變化,儘管源級最小生成樹參數表現得更為穩健。

原始數據記錄的核心要點在於,每秒的樣本數決定了時間分割方式的絕對底限。如果採樣率記錄錯誤,隨後的每個事件標記、epoch 邊界和連結性估計都會繼承該錯誤。因此,在檔案標頭中記錄確切的 ADC 採樣率是一項不可妥協的基本工作。

標準數據儲存格式:EDF 與 BrainVision

數位化後,時間序列及其附帶的元數據必須儲存在其他軟體和其他實驗室都能明確開啟的檔案格式中。

該領域以兩種開放格式為主。歐洲數據格式(EDF)是一種緊湊且被廣泛採用的容器格式,常用於睡眠研究和臨床環境,它在儲存多個通道的同時,標頭中載明了採樣率、通道標籤和物理量綱。

由 Brain Products 開發的 BrainVision 格式則將相同的資訊分散在三個關聯檔案中:列出通道名稱、採樣率和原始參考電極的文字標頭檔(.vhdr);記錄事件代碼及其潛伏期的標記檔(.vmrk);以及保存原始電壓樣本的二進位數據檔案(.eeg)。

當大型數據集公開共享時,這些標準化格式的價值便得以體現。例如,在一項 2019 年的研究中,研究人員發布了一個涵蓋 54 名受試者的運動想像、事件相關電位和穩態視覺誘發電位的多範式腦機介面(BCI)數據集。如果這些數據被鎖定在專有格式中,那麼將該資源與開源分析腳本一起分發就毫無意義。

無論檔案最終歸檔為 EDF 還是 BrainVision,這一選擇都能確保任何研究人員都可以下載記錄並重現研究結果,將原始波形與整個社群的可重現性鏈條緊密相連。

特徵

EDF

BrainVision

檔案結構

單一容器

三個關聯檔案

標頭資訊

檔案內部

.vhdr 文字檔

事件標記

非獨立分開

.vmrk 檔案

原始數據

在同一個檔案內

.eeg 二進位檔

基本維護工作:通道圖與採樣元數據

原始 EEG 檔案只有在包含對其空間和時間架構的完整、準確描述時,才具備科學可用性。這意味著每個通道都必須有標準標籤(即 Fz、C3、O2 等)以及其在頭皮上的三維座標。這些座標支援後續任何涉及空間關係的分析,例如根據相鄰通道內插壞通道,或將訊號投影到皮質源模型上。

Fraschini 等人的研究依賴空間、頻譜和時間特徵將 ICA 成分分類為大腦活動或偽影;如果不清楚每個相關電極的實體位置,成分的空間拓撲結構就毫無意義。

同樣地,Delorme 發現利用相鄰電極數值的壞通道內插是少數能可靠維持實驗效應的校正方法之一。內插演算法只有在數據集的通道圖正確時,才能執行這種空間推算。

檔案標頭還必須儲存精確的採樣率、記錄日期,以及任何輔助通道(如眼電圖 [眼球運動] 或肌電圖 [肌肉活動])的明確標籤。即使這些通道在初始數據探索期間暫未使用,它們的存在也應保持透明。儲存的採樣率與實際 ADC 時脈之間的不匹配會造成不可逆的時間失真,導致隨後無法與刺激標記對齊。

臨床與研究環境中的 EEG 數據

臨床和研究記錄雖然遵循相同的核心原理,但服務於不同的直接目的。臨床 EEG 是在既定的專業和醫療機構程序下採集的,用於支援病患評估、監測或診斷。研究 EEG 通常是為了檢驗特定假設、比較不同條件或開發分析方法而收集的,具有特定於研究的方案和文件記錄。

臨床工作高度重視及時審查、具臨床意義的導聯配置、經過驗證的解讀,以及在適用醫療照護系統內的永久記錄。研究則更強調受控條件、預先設定的結果指標、可重現性以及剔除標準的透明處理。研究結果不自動等於臨床發現,臨床觀察也不自動等於經過驗證的研究指標。

這種差異也影響了數據治理。臨床數據可能受病歷法規義務和直接醫療照護要求的約束,而研究數據集則受到知情同意書內容、機構審查委員會、數據共享計畫和研究終點的規範。在兩種環境下,受過專業訓練的解讀和仔細的記錄都是必要的,因為 EEG 模式取決於背景脈絡,而非單一孤立的數值。

EEG 數據的隱私與倫理考量

EEG 記錄可以透過識別碼、測試時段資訊、臨床背景或元數據的組合與個人產生關聯。即使波形本身在專業領域之外難以解讀,但只要它與可識別身分的受試者相關聯,就應作為敏感的人體受試者數據進行處理。收集與二次使用應符合核准的研究方案和適用的隱私法規要求。

知情同意書應說明記錄目的、預期的分析類型、儲存期限、可能的共享方式以及是否允許未來的研究使用。研究人員應避免暗示 EEG 能夠揭示超出研究設計測量範圍的內容。當受試者可能誤以為研究記錄能提供診斷或個人化評估時,清晰的溝通尤為重要。

倫理實踐在收集後仍應持續。去識別化、存取控制、保存期限限制、稽核軌跡以及謹慎發布元數據有助於降低風險,但沒有任何方法可以完全消除風險。在報告研究結果時不應誇大預測或診斷意義,自動化分類應被視為需要適當驗證的分析輸出,而非對個人無可置疑的判定。

為什麼原始記錄品質是可靠 EEG 分析的基石

單次 EEG 記錄是大腦電氣結構被永久留存的時刻,而該原始波形的複雜性已經反映了頭皮下方的神經網路。此處強調的神經科學研究傳達了一個統一的訊息:只要謹慎處理採集步驟,感興趣的訊號就存在於原始數據本身之中。電極接觸品質、準確的通道對應、完備記錄的參考電極和採樣率,以及開放的儲存格式,共同決定了該訊號能否在不同實驗室和歲月中長久可用。

最後,克制作法往往優於過度處理,因為基本上保留原始數據的研究人員,比採取激進校正的研究人員能更好地保留真實的大腦反應。仔細的記錄、真實的元數據和最少的人為干預,構成了一門確保科學訊號完整無損的專業規範。

因此,每一次值得信賴的分析,都不是始於複雜的演算法,而是始於捕捉一段真實且記錄完備波形的簡單動作。

管理偽影並提高 EEG 數據中的訊號品質

基於 CNN 的高效偽影分類

偽影干擾仍然是 EEG 數據分析中的主要挑戰,而自動識別可以簡化預處理流程。一項研究提出了一種不需要人工特徵提取的基於 CNN 的偽影分類架構。研究人員設計了五種卷積神經網路模型,並針對參數效率和運算進行了最佳化。

他們表現最佳的網路在 17 名受試者和 9 種偽影類別中達到了 94.17% 的分類準確率。當在另一個使用 14 通道 Emotiv Epoc X headset 收集的獨立數據集上進行測試時,該模型以 93.5% 的準確率偵測到眨眼偽影,這表明輕量級、行動端適用的網路可以可靠地在連續多通道記錄中標記常見的干擾物。

公開的運動偽影 EEG 數據集

穿戴式 EEG 特別容易受到運動偽影的影響,但記錄這些干擾的開放數據集卻很匱乏。為了彌補這一缺口,研究人員發布了一個使用 Emotiv Epoc X headset 和 EmotivPRO 軟體記錄的運動偽影 EEG 數據集。

單一健康受試者執行了一系列上半身、下半身和全身運動——包括眨眼、搖頭、說話、行走和坐下——同時儲存了 14 個通道的 EEG 和 9 個運動感測器訊號。作者提供了 CSV 和 MATLAB 格式的數據,為在逼真的動態行走條件下測試降噪演算法提供了資源。

從多通道 EEG 中提取集體節律

除了去除偽影之外,提高多個通道中共重大腦節律的訊噪比可以使後續分析更加精確。一項使用 Emotiv Epoc X headset 的研究將主成分分析(PCA)與基於 Kosambi-Hilbert 扭轉(KHT)的集體節律提取方法進行了比較。

KHT 方法考慮了通道之間的相位滯後,並聚焦於特定頻帶。在閉眼記錄和 15 Hz 閃爍螢幕刺激期間,KHT 為集體訊號產生的訊噪比高於 PCA,特別是當通道間引入隨機時間偏移時。這一發現指出了相位同步方法在隔離消費級 EEG 數據中共用振盪活動方面的價值。

總結來說,這些研究展示了處理偽影和提高 EEG 數據訊號品質的實用方向。它們證明了高效的深度學習模型可以對常見干擾物進行分類,專用數據集可以支援針對受運動干擾記錄的演算法開發,而具備相位感知能力的訊號處理可以強化集體節律。這些工作均基於小樣本和受控條件,因此報告的準確率和改進幅度應被視為令人振奮的成果,但尚未能推廣至所有人群或記錄環境。

參考文獻

  1. Winkler, I., Haufe, S., & Tangermann, M. (2011). Automatic classification of artifactual ICA-components for artifact removal in EEG signals. Behavioral and brain functions, 7(1), 30. https://doi.org/10.1186/1744-9081-7-30

  2. Delorme, A. (2023). EEG is better left alone. Scientific reports, 13(1), 2372. https://doi.org/10.1038/s41598-023-27528-0

  3. Fraschini, M., Demuru, M., Crobe, A., Marrosu, F., Stam, C. J., & Hillebrand, A. (2016). The effect of epoch length on estimated EEG functional connectivity and brain network organisation. Journal of neural engineering, 13(3), 036015.

  4. Lee, M. H., Kwon, O. Y., Kim, Y. J., Kim, H. K., Lee, Y. E., Williamson, J., ... & Lee, S. W. (2019). EEG dataset and OpenBMI toolbox for three BCI paradigms: An investigation into BCI illiteracy. GigaScience, 8(5), giz002. https://doi.org/10.1093/gigascience/giz002

常見問題

EEG 記錄究竟採集了什麼?為什麼它被認為是大腦活動的反映?

EEG 記錄採集的是皮質神經元大群體同步活動在頭皮上產生的微小電壓波動。這些波動主要來自錐體細胞中的漸變突觸後電位,它們透過容積導電疊加,形成對大規模神經同步活動擴散但真實的測量。

為什麼 EEG 訊號源自突觸後電位而非動作電位?

動作電位是短暫的全有或全無事件,對頭皮電位的貢獻極小;而較慢的漸變突觸後電位會沿著樹突傳播並在數千個神經元之間疊加。這種疊加在頭皮上產生了可檢測到的電位偏轉,使得突觸後電位成為 EEG 訊號的主要來源。

濕電極與乾電極有何區別?電極接觸品質如何影響記錄?

濕電極使用導電凝膠來降低阻抗並改善訊號傳輸,而乾電極依靠先進材料和內建前置放大器在無需凝膠的情況下保持保真度。電極與皮膚界面的品質至關重要,因為不良接觸會引入環境雜訊和運動偽影,淹沒微弱的大腦訊號。

國際 10–20 系統如何將電極放置標準化?為什麼它很重要?

10–20 系統在四個解剖標記(鼻根、枕外隆凸以及左右耳前點)之間按比例定義電極位置,因此標記為 "Cz" 的通道在每個實驗室中都代表相同的位置。這種標準化確保了數據集具有直接可比性,並支援精確的空間分析,例如壞通道內插。

為什麼記錄 EEG 時必須記錄所使用的線上參考電極?

原始數據檔案儲存的是相對於線上參考電極的電壓,因此參考電極的選擇(例如 Cz、雙側耳垂連接或平均值)會永久印記在數值上,即使隨後進行重參考也是如此。如果沒有記錄原始參考電極,未來的分析人員就無法了解所扣除的基準線,也無法評估後續的轉換是否會扭曲真實的大腦反應。

採樣率在 EEG 記錄中扮演什麼角色?奈奎斯特(Nyquist)定理如何應用?

採樣率決定了數位化訊號的時間解析度,奈奎斯特(Nyquist)定理指出,能夠忠實呈現的最高頻率小於採樣率的一半。例如,500 Hz 的採樣率可以還原略低於 250 Hz 的頻率,而研究級 EEG 通常在 250 至 1000 Hz 之間運作。準確的採樣率至關重要,因為它限制了後續所有與時間相關的分析。

EEG 的兩種主要開放數據格式是什麼?它們儲存了哪些內容?

歐洲數據格式(EDF)是一種緊湊的容器,可儲存多個通道,其標頭載明了採樣率、通道標籤和物理量綱。BrainVision 則將資訊分散在三個關聯檔案中:標頭檔(.vhdr)、標記檔(.vmrk)和二進位數據檔案(.eeg),這些都能確保明確的共享與可重現性。

為什麼原始 EEG 檔案需要完整的通道圖和空間座標?

具有標準標籤和 3D 座標的通道圖支援任何空間分析,例如根據相鄰通道內插壞通道,或將訊號投影到皮質源模型。例如,偽影分類器仰賴空間拓撲結構,而內插法需要知道確切的電極位置;若缺少這些資訊,此類分析將無法進行。

EEG 檔案標頭中必須記錄哪些重要元數據?為什麼?

標頭必須包括精確的採樣率、記錄日期、帶有 3D 座標的通道標籤,以及輔助通道(如 EOG 或 EMG)的明確標籤。這些資訊至關重要,因為不正確的採樣率會造成不可逆的時間失真,而正確的通道圖則是空間內插和源建模所必需的。

為什麼 EEG 對研究很有用?

EEG 提供極為精細的時間資訊,非常適合用於研究事件相關反應、持續節律、睡眠、注意力、感覺處理和其他時間敏感的現象。其解讀仍取決於實驗設計與訊號品質。

常見的 EEG 偽影有哪些?

常見的偽影包括眨眼、眼球運動、肌肉活動、電極移動、接觸不良、導線晃動以及電氣干擾。它們可能會影響單一或多個通道,並可能與感興趣的科學頻段重疊。

EEG 分析中的預處理是什麼?

預處理是用於準備供分析之記錄的一系列已記錄的操作步驟。它可以包括濾波、重參考、壞通道處理、偽影識別、分段(epoching)、基線校正和品質控制。

透過快速設置、針對彈性現場部署進行優化的的高密度無線電極陣列,加速您的分析性腦波圖(EEG)時程。

透過快速設置、針對彈性現場部署進行優化的的高密度無線電極陣列,加速您的分析性腦波圖(EEG)時程。

Emotiv 是一家神經科技領導者,透過可近用的 EEG 和腦部資料工具,協助推動神經科學研究進展。

醫療免責聲明:本網站提供的資訊僅供教育和參考之用,不構成醫療或健康建議。本內容可能含有錯誤,不應作為做出改變生活的健康、醫療或生活方式選擇的依據。若您對醫療狀況或治療有任何疑問,請務必諮詢您的醫生或其他符合資格的健康提供者的建議。

克里斯蒂安·布戈斯

我們的最新消息

乾式腦電圖(EEG)電極的權衡:速度與舒適度 vs. 信號保真度

數十年來,腦電圖(EEG)一直是神經科學的基石,它透過放置在頭皮上的電極來測量大腦的電活動。傳統的「濕式」電極需要導電凝膠來填補皮膚與感測器之間的間隙,以降低可能阻擋這些微小電壓的電阻(即阻抗)。塗抹凝膠的過程既繁瑣又耗時,且通常會讓受試者感到不適。

隨著腦電圖走出實驗室,進入家庭、診所和走動式環境,對更快速、更簡便介面的需求也日益增長。無需凝膠、可直接接觸皮膚的乾式電極正帶來了這樣的希望:快速設置與更高的舒適度。

但這種便利性也伴隨著物理代價。缺少凝膠會導致更高的阻抗和雜訊更多的訊號,從而在實用性與數據保真度之間產生了持續的權衡取捨。近期一系列的獨立研究精確描繪了這種權衡的具體面向,釐清了乾式電極在哪些方面表現出色,而在哪些方面仍屬次選。

閱讀文章

居家腦電圖(EEG)如何進行日常大腦記錄?

居家腦電圖(Home EEG)是指在任何臨床或實驗室環境之外自行進行的記錄。它將電極凝膠、headset 以及記錄軟體交給未受過專業訓練的使用者,通常僅透過智慧型手機應用程式進行引導。這個概念在於具備能夠融入日常生活的腦部測量能力,有可能在沒有前往醫院的後勤負擔下,記錄睡眠結構、認知專注力或癲癇發作模式。

閱讀文章

作為整體系統的神經回饋設備

想像一下玩電子遊戲時控制器是隱形的——你僅僅依靠自己的腦電波來操控。這個想法正是神經回饋的核心,這項技術為你提供了一個觀察大腦活動的即時窗口,並教導你如何調節它。

設備會接收你大腦產生的訊號,最常見的是使用腦電圖 (EEG) 檢測頭皮上的電位變化模式,或是偶爾使用功能性近紅外光譜 (fNIRS) 感測器追蹤血流情況。這些原始訊號經過處理後,會轉換成簡單的遊戲、聲音或螢幕上移動的圖形。透過反覆試錯,你的大腦會學會產生相應的模式,使回饋朝著你期望的方向發展。

許多指南都著重於各個組件——EEG 電極、導線、軟體——但只有當這些組件構成一個協調的整體時,設備才能真正發揮作用。本介紹將神經回饋視為一個整合系統來進行探討,其中訊號處理、回饋設計和日常可用性相互結合,共同決定它是否能帶來真正的幫助。

閱讀文章

掌握腦電圖 (EEG) 設定:記錄前的最佳實踐

將清晰、可解讀的神經訊號與受到肌肉假訊號或電源雜訊干擾的波形區分開來的,並非複雜的事後處理演算法,而是一套有系統、按時間順序進行的準備步驟流程。在這種情況下,腦電圖(EEG)的設置不僅僅是將電極帽戴在受試者頭上。它是一套嚴謹的生物、環境及電氣校準程序,共同在大腦與放大器之間建立一個穩定且低雜訊的介面。

本文將逐步介紹記錄前的工作流程,並綜合現有證據以證明:細緻的受試者說明、頭皮準備、環境屏蔽、參考導聯配置選擇以及基準假訊號篩查,構成了一套不可或缺的相互依賴環節。

閱讀文章