神经振荡的基础
罗希尼·兰德尼亚
更新于
2024年5月22日
神经振荡的基础
罗希尼·兰德尼亚
更新于
2024年5月22日
神经振荡的基础
罗希尼·兰德尼亚
更新于
2024年5月22日
1. 引言
欢迎！在本教程中，我们将学习脑电波以及如何利用它们来理解大脑和行为。
汉斯·贝格尔（Hans Berger）于1929年创造了“脑电图”这一术语，当时他描述了记录放置在人头部的传感器所引起的电位变化。他发现了两种脑电波，并简单地根据记录它们的先后顺序将其命名为阿尔法（alpha）和贝塔（beta）波。此类脑电波虽在其他哺乳动物中也有所记录，但贝格尔首次描述了人类身上的脑电波！
自那时起，脑电图方法已成为神经科学中的重要工具，有助于改变我们对脑电波（研究人员称之为神经振荡）的认知，并有助于表征大脑所处的状态，例如疲劳和觉醒状态。
在这篇简短教程中，我们将涵盖以下内容：
什么是神经振荡？
我们如何测量神经振荡？
我们可以利用神经振荡做什么？
使用 Emotiv 设备和软件的实际应用。
2. 什么是 EEG？
脑电图（EEG）是一种非侵入式、被动测量我们大脑电活动的方法。将电极/传感器/通道放置在头皮上，以记录由被称为神经元的脑细胞群产生的电活动。
图 1 – 神经元产生可使用脑电图（EEG）设备检测到的电活动 [Siuly, et al. (2016)]。
2.1. EEG 系统
市场上有很多可用于记录 EEG 的 EEG 设备。EEG 设备种类多样：
单传感器或多达 256 个电极 – 更多的电极可在整个头皮上产生更高空间分辨率的信息。
湿电极或干电极 – 湿电极使用电解凝胶或生理盐水来提高头皮和传感器之间的导电性。干电极可以是金属或导电聚合物，这些需要与头皮直接接触。
有源或无源电极 – 无源电极系统单纯地将信号传导至进行放大的设备。有源电极系统则在每个电极处放大信号，之后才传输至设备进行放大。这减少了信号中的环境电噪声。
通过蓝牙传输数据的有线或无线设备。
图 2 – 无线、低密度 EEG 系统。
图 3 – 有线、高密度电极 EEG 系统。
2.2. 何时使用 EEG？
每种神经影像学方法都可以帮助解答不同的研究问题。
EEG 的最大优势在于它可以在毫秒级尺度上测量神经活动，从而可以测量前意识过程。
图 4 – 不同神经影像工具的空间分辨率 vs 时间分辨率。
它最适合解答诸如“参与者最关注我视频的哪些部分？”之类的问题。
EEG 主要记录大脑外层的活动（即空间分辨率较低）。使用单个传感器无法确定活动来源。使用大量通道进行记录虽然可以通过数学方法重建源，但在识别深部源方面仍然有限。功能性磁共振成像（fMRI）更适合解答“大脑的哪一部分与注意力的变化有关？”等问题。
2.3. 从传感器到原始 EEG？
将 EEG 设备戴在头上后，通过单个传感器测量大脑活动，该活动表现为该传感器与参考传感器之间的振幅差。在大多数 EEG 系统中，这被称为共模传感 (CMS) 电极。另一个传感器，即驱动右腿 (DRL) 电极，有助于减少对 CMS 的任何干扰。
图 5 – EEG 信号传输的简化方框图。
在使用有源和无源电极的系统中，随后对信号进行放大和低通滤波。低通滤波是一项能够消除信号中来自环境的可能电气干扰（例如主线路电源）的步骤。
在你的电脑屏幕上看到原始 EEG 信号之前，这些步骤会在硬件本身中进行。
2.4. 一些基本术语
10-20 标准命名惯例
左侧传感器通常为奇数，右侧传感器通常为偶数。
注 1：这些只是命名惯例，EEG 传感器位置的源不代表活动的源。
注 2：需要采取数学重建源等附加步骤来确定单通道活动源。
3. 什么是神经振荡？
脑电波（通常被称为神经振荡）是由单个或一组神经元产生的节律性模式。
虽然有很多理论，但目前还不清楚大脑为什么会产生这些不同类型的振荡。研究人员使用不同的任务来表征这些振荡活动，并旨在通过这些节律性模式来理解大脑的奥秘。
3.1. 振荡的一些属性
该图显示了常规电信号测量：
图 6 – 不同神经影像工具的空间分辨率 vs 时间分辨率。
在左侧（y 轴）我们可以绘制电记录的振幅，在水平轴（x 轴）绘制时间。信号的振幅大小将围绕中心点以常规方式变动。一个循环也被称为一次振荡。
每秒的循环数称为波的频率，单位是赫兹（Hz）。因此，1 循环/秒 = 1 Hz。振幅通常以微伏（µV）为单位进行测量。
在大脑中，我们看到的波频率范围从 0.2 Hz（极慢波）到 80 Hz 或更高（极快波）。在大脑中也可以记录到与癫痫发作相关的、频率高达 500 Hz 的高频活动。
根据不同的频率，可以表征不同类型的大脑振荡。这些被称为频段，并且可以与不同的大脑状态相联系：
图 7 – 典型脑电图中的脑电波。
3.2. 为什么不同的频段很重要？
识别正常 vs 异常的大脑模式
神经振荡对于神经学中检测癫痫发作和诊断癫痫非常重要。脑机接口 (BCI)
beta、gamma 和 mu 振荡的量常用来训练远程设备（例如通过意念移动轮椅）。神经反馈
这是一种大脑训练形式，你可以观察自己的脑电波（例如 gamma 振荡）并进行认知任务，以提高大脑中 gamma 振荡的量。神经营销
alpha 和 beta 频段可用于确定广告中哪一部分更具吸引力或不具吸引力。
3.3. EEG 数据分析的类型
研究人员最常在时域或频域进行分析。
时域分析
通常测量刺激发生后感兴趣时间点的电压振幅。这些被称为事件相关电位 (ERP)。
频域分析
通常测量在定义的时间窗口中或与事件开始相关的、不同频段中的神经振荡量。
接下来，我们将提供频域分析的概述。
3.4. 处理
在进行 EEG 记录后，你通常在理解振荡之前需要清理数据。
过滤
一种去除数据中高频和低频环境噪声的技术。伪迹去除
身体运动、眨眼都可能导致产生巨大的伪迹（EEG 中出现 > 50 µV 的峰值）。可以去除这些伪迹以防止其影响研究结果。一些研究人员使用先进的方法来修正这些伪迹以保存数据。
数据处理完毕后，现在可以将信号转换为频域，以便我们可以定量分析每种脑电波的量。
图 8 – 原始脑电图（EEG）中的眨眼伪迹。
3.5. 快速傅里叶变换 (FFT)
傅里叶变换是将 EEG 信号从“时域”（图像 A）转换为“频域”（图像 B）的数学转换方法。
在频域中，我们可以定量分析记录中有多少各种类型的振荡。这通常是频段的“功率”，并且可以显示为功率谱（图像 B）。
图 9A – 时域中的原始脑电图（EEG）。
图 9B – FFT（频域）之后的功率谱。
3.6. 频带功率
通过傅里叶变换获得的频段（如 Alpha 频段）功率代表各个频段各有多少。频带功率单位通常为 µV2/Hz。经过 FFT 得出的振幅或功率谱最常会以对数单位分贝（dB）显示。分贝是所测功率 (P) 与参考功率 (Pr) 之间的比率单位，如下所示：
在获得感兴趣事件的上述测量单位后，可以比较频带功率，从而了解实验对脑电波的影响。
4. 从理论到实践
接下来，我们将探究 alpha 抑制效应。
这是汉斯·贝格尔首次报道的现象，其中我们可以看到，与闭眼时相比，当某人睁开眼睛时，alpha 振荡（alpha 功率）的量会显著减少。
图 10 – 睁开眼睛时可以看到 alpha 振荡有所增加。
首先，依托 EmotivPRO Builder，我们建立了一个简单的实验。在此实验中，参与者只需要开着双眼专注于屏幕 2 分钟，然后闭上双眼 2 分钟。2 分钟结束后他们会听到铃声，提示挣开双眼。
你可以按照下面的视频来制作属于你自己的 alpha 抑制实验，或者点击这里的链接运行我们的实验：
4.1. 设备佩戴和 EEG 质量
在此处详细了解我们联络人质量指示仪（EQ）的工作原理。在这里查找专门针对你耳机的设备佩戴信息：
EPOC 类型
Insight 类型
4.2. 处理和转换 EEG 数据
既然你已获得数据，即可以使用 Emotiv Analyzer 将其转换为频域。请遵循视频中的步骤操作。
4.3. 解读数据
在 Analyzer 运行完成后下载压缩文件。对于每条记录，你都会有一个包含频带功率的 csv 文件和一个你可以用来运行自己的统计分析的图像文件。
图 11 – 频带功率。
在我们的输出中，我们可以看到与睁眼时（蓝色）相比，闭眼时（橙色）Alpha 功率有所增加。
这就是我们教程的尾声了！现在你已掌握了基础知识 🙂
你可以在资源部分找到一些进入高级阅读的链接。
5. 资源
高级阅读
Donoghue et al. 2022 关于研究神经振荡的方法学考量
EEG 术语词汇表
Kane et al. 2017 (此处)
开源代码
如果你熟悉 python 编程，我们提供了一些可供你用来获取 alpha 功率值的 python 脚本（分别标记了睁眼和闭眼程序段）。在这里查找代码和示例 Alpha 抑制数据文件：https://osf.io/9bvgh/
Emotiv 手册
EmotivPRO Builder 手册
EmotivPRO 手册
EmotivPRO Analyzer 手册
7. 参考文献
Donoghue, T., Schaworonkow, N. and Voytek, B., 2022. Methodological considerations for studying neural oscillations. European journal of neuroscience, 55(11-12), pp.3502-3527. doi: https://doi.org/10.1111/ejn.15361
Kane, N., Acharya, J., Beniczky, S., Caboclo, L., Finnigan, S., Kaplan, P.W., Shibasaki, H., Pressler, R. and van Putten, M.J., 2017. A revised glossary of terms most commonly used by clinical electroencephalographers and updated proposal for the report format of the EEG findings. Revision 2017. Clinical neurophysiology practice, 2, p.170. doi: 10.1016/j.cnp.2017.07.002
Siuly, S., Li, Y., Zhang, Y. (2016). Electroencephalogram (EEG) and Its Background. In: EEG Signal Analysis and Classification. Health Information Science. Springer, Cham. doi: https://doi.org/10.1007/978-3-319-47653-7%5F1
1. 引言
欢迎！在本教程中，我们将学习脑电波以及如何利用它们来理解大脑和行为。
汉斯·贝格尔（Hans Berger）于1929年创造了“脑电图”这一术语，当时他描述了记录放置在人头部的传感器所引起的电位变化。他发现了两种脑电波，并简单地根据记录它们的先后顺序将其命名为阿尔法（alpha）和贝塔（beta）波。此类脑电波虽在其他哺乳动物中也有所记录，但贝格尔首次描述了人类身上的脑电波！
自那时起，脑电图方法已成为神经科学中的重要工具，有助于改变我们对脑电波（研究人员称之为神经振荡）的认知，并有助于表征大脑所处的状态，例如疲劳和觉醒状态。
在这篇简短教程中，我们将涵盖以下内容：
什么是神经振荡？
我们如何测量神经振荡？
我们可以利用神经振荡做什么？
使用 Emotiv 设备和软件的实际应用。
2. 什么是 EEG？
脑电图（EEG）是一种非侵入式、被动测量我们大脑电活动的方法。将电极/传感器/通道放置在头皮上，以记录由被称为神经元的脑细胞群产生的电活动。
图 1 – 神经元产生可使用脑电图（EEG）设备检测到的电活动 [Siuly, et al. (2016)]。
2.1. EEG 系统
市场上有很多可用于记录 EEG 的 EEG 设备。EEG 设备种类多样：
单传感器或多达 256 个电极 – 更多的电极可在整个头皮上产生更高空间分辨率的信息。
湿电极或干电极 – 湿电极使用电解凝胶或生理盐水来提高头皮和传感器之间的导电性。干电极可以是金属或导电聚合物，这些需要与头皮直接接触。
有源或无源电极 – 无源电极系统单纯地将信号传导至进行放大的设备。有源电极系统则在每个电极处放大信号，之后才传输至设备进行放大。这减少了信号中的环境电噪声。
通过蓝牙传输数据的有线或无线设备。
图 2 – 无线、低密度 EEG 系统。
图 3 – 有线、高密度电极 EEG 系统。
2.2. 何时使用 EEG？
每种神经影像学方法都可以帮助解答不同的研究问题。
EEG 的最大优势在于它可以在毫秒级尺度上测量神经活动，从而可以测量前意识过程。
图 4 – 不同神经影像工具的空间分辨率 vs 时间分辨率。
它最适合解答诸如“参与者最关注我视频的哪些部分？”之类的问题。
EEG 主要记录大脑外层的活动（即空间分辨率较低）。使用单个传感器无法确定活动来源。使用大量通道进行记录虽然可以通过数学方法重建源，但在识别深部源方面仍然有限。功能性磁共振成像（fMRI）更适合解答“大脑的哪一部分与注意力的变化有关？”等问题。
2.3. 从传感器到原始 EEG？
将 EEG 设备戴在头上后，通过单个传感器测量大脑活动，该活动表现为该传感器与参考传感器之间的振幅差。在大多数 EEG 系统中，这被称为共模传感 (CMS) 电极。另一个传感器，即驱动右腿 (DRL) 电极，有助于减少对 CMS 的任何干扰。
图 5 – EEG 信号传输的简化方框图。
在使用有源和无源电极的系统中，随后对信号进行放大和低通滤波。低通滤波是一项能够消除信号中来自环境的可能电气干扰（例如主线路电源）的步骤。
在你的电脑屏幕上看到原始 EEG 信号之前，这些步骤会在硬件本身中进行。
2.4. 一些基本术语
10-20 标准命名惯例
左侧传感器通常为奇数，右侧传感器通常为偶数。
注 1：这些只是命名惯例，EEG 传感器位置的源不代表活动的源。
注 2：需要采取数学重建源等附加步骤来确定单通道活动源。
3. 什么是神经振荡？
脑电波（通常被称为神经振荡）是由单个或一组神经元产生的节律性模式。
虽然有很多理论，但目前还不清楚大脑为什么会产生这些不同类型的振荡。研究人员使用不同的任务来表征这些振荡活动，并旨在通过这些节律性模式来理解大脑的奥秘。
3.1. 振荡的一些属性
该图显示了常规电信号测量：
图 6 – 不同神经影像工具的空间分辨率 vs 时间分辨率。
在左侧（y 轴）我们可以绘制电记录的振幅，在水平轴（x 轴）绘制时间。信号的振幅大小将围绕中心点以常规方式变动。一个循环也被称为一次振荡。
每秒的循环数称为波的频率，单位是赫兹（Hz）。因此，1 循环/秒 = 1 Hz。振幅通常以微伏（µV）为单位进行测量。
在大脑中，我们看到的波频率范围从 0.2 Hz（极慢波）到 80 Hz 或更高（极快波）。在大脑中也可以记录到与癫痫发作相关的、频率高达 500 Hz 的高频活动。
根据不同的频率，可以表征不同类型的大脑振荡。这些被称为频段，并且可以与不同的大脑状态相联系：
图 7 – 典型脑电图中的脑电波。
3.2. 为什么不同的频段很重要？
识别正常 vs 异常的大脑模式
神经振荡对于神经学中检测癫痫发作和诊断癫痫非常重要。脑机接口 (BCI)
beta、gamma 和 mu 振荡的量常用来训练远程设备（例如通过意念移动轮椅）。神经反馈
这是一种大脑训练形式，你可以观察自己的脑电波（例如 gamma 振荡）并进行认知任务，以提高大脑中 gamma 振荡的量。神经营销
alpha 和 beta 频段可用于确定广告中哪一部分更具吸引力或不具吸引力。
3.3. EEG 数据分析的类型
研究人员最常在时域或频域进行分析。
时域分析
通常测量刺激发生后感兴趣时间点的电压振幅。这些被称为事件相关电位 (ERP)。
频域分析
通常测量在定义的时间窗口中或与事件开始相关的、不同频段中的神经振荡量。
接下来，我们将提供频域分析的概述。
3.4. 处理
在进行 EEG 记录后，你通常在理解振荡之前需要清理数据。
过滤
一种去除数据中高频和低频环境噪声的技术。伪迹去除
身体运动、眨眼都可能导致产生巨大的伪迹（EEG 中出现 > 50 µV 的峰值）。可以去除这些伪迹以防止其影响研究结果。一些研究人员使用先进的方法来修正这些伪迹以保存数据。
数据处理完毕后，现在可以将信号转换为频域，以便我们可以定量分析每种脑电波的量。
图 8 – 原始脑电图（EEG）中的眨眼伪迹。
3.5. 快速傅里叶变换 (FFT)
傅里叶变换是将 EEG 信号从“时域”（图像 A）转换为“频域”（图像 B）的数学转换方法。
在频域中，我们可以定量分析记录中有多少各种类型的振荡。这通常是频段的“功率”，并且可以显示为功率谱（图像 B）。
图 9A – 时域中的原始脑电图（EEG）。
图 9B – FFT（频域）之后的功率谱。
3.6. 频带功率
通过傅里叶变换获得的频段（如 Alpha 频段）功率代表各个频段各有多少。频带功率单位通常为 µV2/Hz。经过 FFT 得出的振幅或功率谱最常会以对数单位分贝（dB）显示。分贝是所测功率 (P) 与参考功率 (Pr) 之间的比率单位，如下所示：
在获得感兴趣事件的上述测量单位后，可以比较频带功率，从而了解实验对脑电波的影响。
4. 从理论到实践
接下来，我们将探究 alpha 抑制效应。
这是汉斯·贝格尔首次报道的现象，其中我们可以看到，与闭眼时相比，当某人睁开眼睛时，alpha 振荡（alpha 功率）的量会显著减少。
图 10 – 睁开眼睛时可以看到 alpha 振荡有所增加。
首先，依托 EmotivPRO Builder，我们建立了一个简单的实验。在此实验中，参与者只需要开着双眼专注于屏幕 2 分钟，然后闭上双眼 2 分钟。2 分钟结束后他们会听到铃声，提示挣开双眼。
你可以按照下面的视频来制作属于你自己的 alpha 抑制实验，或者点击这里的链接运行我们的实验：
4.1. 设备佩戴和 EEG 质量
在此处详细了解我们联络人质量指示仪（EQ）的工作原理。在这里查找专门针对你耳机的设备佩戴信息：
EPOC 类型
Insight 类型
4.2. 处理和转换 EEG 数据
既然你已获得数据，即可以使用 Emotiv Analyzer 将其转换为频域。请遵循视频中的步骤操作。
4.3. 解读数据
在 Analyzer 运行完成后下载压缩文件。对于每条记录，你都会有一个包含频带功率的 csv 文件和一个你可以用来运行自己的统计分析的图像文件。
图 11 – 频带功率。
在我们的输出中，我们可以看到与睁眼时（蓝色）相比，闭眼时（橙色）Alpha 功率有所增加。
这就是我们教程的尾声了！现在你已掌握了基础知识 🙂
你可以在资源部分找到一些进入高级阅读的链接。
5. 资源
高级阅读
Donoghue et al. 2022 关于研究神经振荡的方法学考量
EEG 术语词汇表
Kane et al. 2017 (此处)
开源代码
如果你熟悉 python 编程，我们提供了一些可供你用来获取 alpha 功率值的 python 脚本（分别标记了睁眼和闭眼程序段）。在这里查找代码和示例 Alpha 抑制数据文件：https://osf.io/9bvgh/
Emotiv 手册
EmotivPRO Builder 手册
EmotivPRO 手册
EmotivPRO Analyzer 手册
7. 参考文献
Donoghue, T., Schaworonkow, N. and Voytek, B., 2022. Methodological considerations for studying neural oscillations. European journal of neuroscience, 55(11-12), pp.3502-3527. doi: https://doi.org/10.1111/ejn.15361
Kane, N., Acharya, J., Beniczky, S., Caboclo, L., Finnigan, S., Kaplan, P.W., Shibasaki, H., Pressler, R. and van Putten, M.J., 2017. A revised glossary of terms most commonly used by clinical electroencephalographers and updated proposal for the report format of the EEG findings. Revision 2017. Clinical neurophysiology practice, 2, p.170. doi: 10.1016/j.cnp.2017.07.002
Siuly, S., Li, Y., Zhang, Y. (2016). Electroencephalogram (EEG) and Its Background. In: EEG Signal Analysis and Classification. Health Information Science. Springer, Cham. doi: https://doi.org/10.1007/978-3-319-47653-7%5F1
1. 引言
欢迎！在本教程中，我们将学习脑电波以及如何利用它们来理解大脑和行为。
汉斯·贝格尔（Hans Berger）于1929年创造了“脑电图”这一术语，当时他描述了记录放置在人头部的传感器所引起的电位变化。他发现了两种脑电波，并简单地根据记录它们的先后顺序将其命名为阿尔法（alpha）和贝塔（beta）波。此类脑电波虽在其他哺乳动物中也有所记录，但贝格尔首次描述了人类身上的脑电波！
自那时起，脑电图方法已成为神经科学中的重要工具，有助于改变我们对脑电波（研究人员称之为神经振荡）的认知，并有助于表征大脑所处的状态，例如疲劳和觉醒状态。
在这篇简短教程中，我们将涵盖以下内容：
什么是神经振荡？
我们如何测量神经振荡？
我们可以利用神经振荡做什么？
使用 Emotiv 设备和软件的实际应用。
2. 什么是 EEG？
脑电图（EEG）是一种非侵入式、被动测量我们大脑电活动的方法。将电极/传感器/通道放置在头皮上，以记录由被称为神经元的脑细胞群产生的电活动。
图 1 – 神经元产生可使用脑电图（EEG）设备检测到的电活动 [Siuly, et al. (2016)]。
2.1. EEG 系统
市场上有很多可用于记录 EEG 的 EEG 设备。EEG 设备种类多样：
单传感器或多达 256 个电极 – 更多的电极可在整个头皮上产生更高空间分辨率的信息。
湿电极或干电极 – 湿电极使用电解凝胶或生理盐水来提高头皮和传感器之间的导电性。干电极可以是金属或导电聚合物，这些需要与头皮直接接触。
有源或无源电极 – 无源电极系统单纯地将信号传导至进行放大的设备。有源电极系统则在每个电极处放大信号，之后才传输至设备进行放大。这减少了信号中的环境电噪声。
通过蓝牙传输数据的有线或无线设备。
图 2 – 无线、低密度 EEG 系统。
图 3 – 有线、高密度电极 EEG 系统。
2.2. 何时使用 EEG？
每种神经影像学方法都可以帮助解答不同的研究问题。
EEG 的最大优势在于它可以在毫秒级尺度上测量神经活动，从而可以测量前意识过程。
图 4 – 不同神经影像工具的空间分辨率 vs 时间分辨率。
它最适合解答诸如“参与者最关注我视频的哪些部分？”之类的问题。
EEG 主要记录大脑外层的活动（即空间分辨率较低）。使用单个传感器无法确定活动来源。使用大量通道进行记录虽然可以通过数学方法重建源，但在识别深部源方面仍然有限。功能性磁共振成像（fMRI）更适合解答“大脑的哪一部分与注意力的变化有关？”等问题。
2.3. 从传感器到原始 EEG？
将 EEG 设备戴在头上后，通过单个传感器测量大脑活动，该活动表现为该传感器与参考传感器之间的振幅差。在大多数 EEG 系统中，这被称为共模传感 (CMS) 电极。另一个传感器，即驱动右腿 (DRL) 电极，有助于减少对 CMS 的任何干扰。
图 5 – EEG 信号传输的简化方框图。
在使用有源和无源电极的系统中，随后对信号进行放大和低通滤波。低通滤波是一项能够消除信号中来自环境的可能电气干扰（例如主线路电源）的步骤。
在你的电脑屏幕上看到原始 EEG 信号之前，这些步骤会在硬件本身中进行。
2.4. 一些基本术语
10-20 标准命名惯例
左侧传感器通常为奇数，右侧传感器通常为偶数。
注 1：这些只是命名惯例，EEG 传感器位置的源不代表活动的源。
注 2：需要采取数学重建源等附加步骤来确定单通道活动源。
3. 什么是神经振荡？
脑电波（通常被称为神经振荡）是由单个或一组神经元产生的节律性模式。
虽然有很多理论，但目前还不清楚大脑为什么会产生这些不同类型的振荡。研究人员使用不同的任务来表征这些振荡活动，并旨在通过这些节律性模式来理解大脑的奥秘。
3.1. 振荡的一些属性
该图显示了常规电信号测量：
图 6 – 不同神经影像工具的空间分辨率 vs 时间分辨率。
在左侧（y 轴）我们可以绘制电记录的振幅，在水平轴（x 轴）绘制时间。信号的振幅大小将围绕中心点以常规方式变动。一个循环也被称为一次振荡。
每秒的循环数称为波的频率，单位是赫兹（Hz）。因此，1 循环/秒 = 1 Hz。振幅通常以微伏（µV）为单位进行测量。
在大脑中，我们看到的波频率范围从 0.2 Hz（极慢波）到 80 Hz 或更高（极快波）。在大脑中也可以记录到与癫痫发作相关的、频率高达 500 Hz 的高频活动。
根据不同的频率，可以表征不同类型的大脑振荡。这些被称为频段，并且可以与不同的大脑状态相联系：
图 7 – 典型脑电图中的脑电波。
3.2. 为什么不同的频段很重要？
识别正常 vs 异常的大脑模式
神经振荡对于神经学中检测癫痫发作和诊断癫痫非常重要。脑机接口 (BCI)
beta、gamma 和 mu 振荡的量常用来训练远程设备（例如通过意念移动轮椅）。神经反馈
这是一种大脑训练形式，你可以观察自己的脑电波（例如 gamma 振荡）并进行认知任务，以提高大脑中 gamma 振荡的量。神经营销
alpha 和 beta 频段可用于确定广告中哪一部分更具吸引力或不具吸引力。
3.3. EEG 数据分析的类型
研究人员最常在时域或频域进行分析。
时域分析
通常测量刺激发生后感兴趣时间点的电压振幅。这些被称为事件相关电位 (ERP)。
频域分析
通常测量在定义的时间窗口中或与事件开始相关的、不同频段中的神经振荡量。
接下来，我们将提供频域分析的概述。
3.4. 处理
在进行 EEG 记录后，你通常在理解振荡之前需要清理数据。
过滤
一种去除数据中高频和低频环境噪声的技术。伪迹去除
身体运动、眨眼都可能导致产生巨大的伪迹（EEG 中出现 > 50 µV 的峰值）。可以去除这些伪迹以防止其影响研究结果。一些研究人员使用先进的方法来修正这些伪迹以保存数据。
数据处理完毕后，现在可以将信号转换为频域，以便我们可以定量分析每种脑电波的量。
图 8 – 原始脑电图（EEG）中的眨眼伪迹。
3.5. 快速傅里叶变换 (FFT)
傅里叶变换是将 EEG 信号从“时域”（图像 A）转换为“频域”（图像 B）的数学转换方法。
在频域中，我们可以定量分析记录中有多少各种类型的振荡。这通常是频段的“功率”，并且可以显示为功率谱（图像 B）。
图 9A – 时域中的原始脑电图（EEG）。
图 9B – FFT（频域）之后的功率谱。
3.6. 频带功率
通过傅里叶变换获得的频段（如 Alpha 频段）功率代表各个频段各有多少。频带功率单位通常为 µV2/Hz。经过 FFT 得出的振幅或功率谱最常会以对数单位分贝（dB）显示。分贝是所测功率 (P) 与参考功率 (Pr) 之间的比率单位，如下所示：
在获得感兴趣事件的上述测量单位后，可以比较频带功率，从而了解实验对脑电波的影响。
4. 从理论到实践
接下来，我们将探究 alpha 抑制效应。
这是汉斯·贝格尔首次报道的现象，其中我们可以看到，与闭眼时相比，当某人睁开眼睛时，alpha 振荡（alpha 功率）的量会显著减少。
图 10 – 睁开眼睛时可以看到 alpha 振荡有所增加。
首先，依托 EmotivPRO Builder，我们建立了一个简单的实验。在此实验中，参与者只需要开着双眼专注于屏幕 2 分钟，然后闭上双眼 2 分钟。2 分钟结束后他们会听到铃声，提示挣开双眼。
你可以按照下面的视频来制作属于你自己的 alpha 抑制实验，或者点击这里的链接运行我们的实验：
4.1. 设备佩戴和 EEG 质量
在此处详细了解我们联络人质量指示仪（EQ）的工作原理。在这里查找专门针对你耳机的设备佩戴信息：
EPOC 类型
Insight 类型
4.2. 处理和转换 EEG 数据
既然你已获得数据，即可以使用 Emotiv Analyzer 将其转换为频域。请遵循视频中的步骤操作。
4.3. 解读数据
在 Analyzer 运行完成后下载压缩文件。对于每条记录，你都会有一个包含频带功率的 csv 文件和一个你可以用来运行自己的统计分析的图像文件。
图 11 – 频带功率。
在我们的输出中，我们可以看到与睁眼时（蓝色）相比，闭眼时（橙色）Alpha 功率有所增加。
这就是我们教程的尾声了！现在你已掌握了基础知识 🙂
你可以在资源部分找到一些进入高级阅读的链接。
5. 资源
高级阅读
Donoghue et al. 2022 关于研究神经振荡的方法学考量
EEG 术语词汇表
Kane et al. 2017 (此处)
开源代码
如果你熟悉 python 编程，我们提供了一些可供你用来获取 alpha 功率值的 python 脚本（分别标记了睁眼和闭眼程序段）。在这里查找代码和示例 Alpha 抑制数据文件：https://osf.io/9bvgh/
Emotiv 手册
EmotivPRO Builder 手册
EmotivPRO 手册
EmotivPRO Analyzer 手册
7. 参考文献
Donoghue, T., Schaworonkow, N. and Voytek, B., 2022. Methodological considerations for studying neural oscillations. European journal of neuroscience, 55(11-12), pp.3502-3527. doi: https://doi.org/10.1111/ejn.15361
Kane, N., Acharya, J., Beniczky, S., Caboclo, L., Finnigan, S., Kaplan, P.W., Shibasaki, H., Pressler, R. and van Putten, M.J., 2017. A revised glossary of terms most commonly used by clinical electroencephalographers and updated proposal for the report format of the EEG findings. Revision 2017. Clinical neurophysiology practice, 2, p.170. doi: 10.1016/j.cnp.2017.07.002
Siuly, S., Li, Y., Zhang, Y. (2016). Electroencephalogram (EEG) and Its Background. In: EEG Signal Analysis and Classification. Health Information Science. Springer, Cham. doi: https://doi.org/10.1007/978-3-319-47653-7%5F1
继续阅读