1. 引言
欢迎！在本教程中，我们将学习脑波及其如何帮助我们理解大脑和行为。
汉斯·伯杰在1929年创造了“脑电图”这个术语，当时他描述了通过放置在一个人头部的传感器记录的电位变化。他识别出了两种类型的脑波，命名为阿尔法波和贝塔波，仅仅是因为他记录它们的顺序。这种波在其他哺乳动物中也曾被记录，但伯杰首次在中国人身上描述了它们！
自那时起，脑电图方法已成为神经科学中的一个关键工具，帮助我们的脑波理解（研究人员称之为神经振荡）有所进步，并帮助我们描述大脑在疲劳和清醒等状态下的特征。
在这个简短的教程中，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）是一种非侵入性和被动的方法，用于测量我们大脑的电活动。电极/传感器/通道放置在头皮上，以记录由称为神经元的脑细胞群体产生的电活动。
图 1 – 神经元产生的电活动可通过EEG设备检测 [Siuly, et al. (2016)]。
2.1. EEG系统
市场上有许多EEG设备可用于记录EEG。EEG设备可以有：
单个传感器或最多256个电极 – 更多的电极将提供更高的头皮信息空间分辨率。
湿电极或干电极 – 湿电极使用电解胶或盐水溶液来改善头皮与传感器之间的导电性。干电极可以是金属或导电聚合物，需要与头皮直接接触。
主动电极或被动电极 – 被动电极系统仅将信号导向设备进行放大。主动电极系统在信号到达设备放大之前，在每个电极处放大信号，从而减少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 – 一种无线、低密度EEG系统。
图 3 – 一种有线、高密度电极EEG系统。
2.2. 何时使用EEG？
每种神经成像方法都有助于回答不同的研究问题。
EEG的最大优势在于它可以毫秒级地测量神经活动，能够测量潜意识前的过程。
图 4 – 不同神经成像工具的空间与时间分辨率。
它最适合回答诸如“我的视频中参与者关注的部分是什么？”这样的问题。
EEG主要记录来自大脑外层的活动（即空间分辨率较低）。使用单个传感器无法确定活动的来源。通过大量通道的记录可以在数学上重建源，但在识别深层源方面仍然有限。功能性磁共振成像（fMRI）更适合回答诸如“哪个大脑部分与注意力的变化有关？”
2.3. 从传感器到原始EEG？
一旦EEG设备装上头部，通过测量该传感器与参考传感器之间的幅度差来测量脑活动。在大多数EEG系统中，这被称为共模感应（CMS）电极。另一个额外传感器，被动右腿（DRL），有助于减少CMS处的任何干扰。
图 5 – EEG信号传输的简化框图。
在同时具有主动和被动电极的系统中，信号随后被放大并进行低通滤波。低通滤波是一种去除信号中可能来自环境的电干扰（例如，主电源线）的步骤。
这些步骤发生在硬件本身中，然后才能在计算机屏幕上查看原始EEG信号。
2.4. 一些基本术语
10-20标准命名法
左侧传感器通常是奇数编号，右侧传感器通常是偶数编号。
注 1：这些只是命名惯例，EEG传感器位置的来源并不能指示活动的来源。
注 2：需要进行额外的步骤，例如对源进行数学重建，以确定单通道活动的源头。
3. 什么是神经振荡？
脑波，通常称为神经振荡，是由单个或一群神经元产生的节律模式。
目前尚不清楚大脑为何会产生这些不同类型的振荡，尽管有许多理论。研究人员使用不同的任务来表征这些振荡活动，并旨在利用这些节律模式理解大脑的奥秘。
3.1. 振荡的一些特性
此图显示了常规电信号的测量：
图 6 – 不同神经成像工具的空间与时间分辨率。
在左侧（y轴），我们可以绘制电记录的幅度，在水平轴（x轴）为时间。信号的幅度将围绕中心点以规则的方式波动。一个周期也被称为一个振荡。
每秒的周期数称为波的频率，单位为赫兹（Hz）。因此1个周期每秒 = 1 Hz。幅度通常以微伏特（µV）为单位测量。
在大脑中，我们看到频率范围从0.2 Hz（非常慢的波）到80 Hz或更高（非常快的波）。与癫痫相关的高频活动可高达500 Hz，也能在大脑中记录到。
根据频率，脑部振荡的不同类型可被描述。这些被称为频率带，并可以与不同的脑状态相关：
图 7 – 典型EEG中的脑波。
3.2. 为什么不同频率带很重要？
识别正常与异常的脑模式
神经振荡在检测癫痫发作和神经学的诊断中重要。脑机接口（BCI）
Beta、Gamma和Mu振荡的数量通常用于训练远程设备（例如，用思想移动轮椅）。神经反馈
这是一种大脑训练形式，你可以查看你的脑波（例如，伽玛振荡）并参与认知任务以提高你大脑中伽玛振荡的数量。神经市场营销
阿尔法和贝塔频段可以用来确定广告的哪个部分更具吸引力或不那么吸引人。
3.3. EEG数据分析的类型
大多数研究人员通常在时间域或频率域进行分析。
时间域分析
通常在刺激出现后对感兴趣时间点的电压幅度进行测量。这些称为事件相关电位（ERPs）。
频率域分析
通常测量在特定时间窗口或与事件的发生相关的不同频率带中神经振荡的数量。
接下来，我们将提供频率域分析的概述。
3.4. 处理
一旦你进行了一次EEG记录，你通常会在理解振荡之前清理数据。
过滤
一种去除数据中高低频环境噪声的技术。伪影去除
身体活动、眼睛眨动都可能导致大的伪影（> 50 µV顶峰）。这些可以被去除，以免对我们的结果产生影响。一些研究人员使用复杂的方法来修正这些伪影，以保留数据。
数据处理完成后，信号现在可以转换为频率域，以便我们能够量化每种类型的脑波数量。
图 8 – 原始EEG中的眼睛眨动伪影。
3.5. 快速傅里叶变换（FFT）
傅里叶变换是EEG信号从“时间域”（图像A）转换到“频率域”（图像B）的数学过程。
在频率域中，我们可以量化每种类型的振荡在记录中出现的程度。这通常是频率带的“功率”，可以以功率谱的形式显示（图像B）。
图 9A – 时间域中的原始EEG。
图 9B – FFT后的功率谱（频率域）。
3.6. 带功率
来自傅里叶变换的频率带（例如，阿尔法带）功率告诉我们每种频率带的存在量。带功率单位通常为µV2/Hz。通常，FFT的幅度或功率谱以对数单位分贝（dB）表示。分贝是一种测量的功率（P）与参考功率（Pr）之间的比例的单位，如下所示：
一旦获得该兴趣事件的测量单位，带功率可以进行比较，以理解实验对脑波的影响。
4. 从理论到实践
接下来，我们将看看阿尔法抑制效应。
这是一种由汉斯·伯杰首次报告的现象，当人眼睁开时，我们看到阿尔法振荡（阿尔法功率）的数量显著减少，而睁眼与闭眼之间的差异为明显。
图 10 – 眼睛睁开时阿尔法振荡增加可见。
首先，使用 EmotivPRO Builder 我们建立了一个简单的实验。在该实验中，参与者只需保持眼睛睁开2分钟，专注于屏幕，然后再闭眼2分钟。在2分钟时，会听到一个铃声，作为他们睁眼的信号。
你可以按照下面的视频进行自己的阿尔法抑制实验，或者通过链接 在这里 运行我们的实验：
4.1. 设备安装和EEG质量
阅读更多关于我们的EQ门控如何工作 在这里。找到关于你耳机特定设备安装的更多信息：
EPOC类型
洞察类型
4.2. 处理和转换EEG数据
现在你有了数据，可以使用Emotiv分析程序将其转换为频率域。按照视频中的步骤进行。
4.3. 解释数据
一旦分析器完成，下载zip文件。对于每条记录，你将拥有一个包含带功率的csv文件和一张图像文件，你可以用来进行自己的统计分析。
图 11 – 带功率。
在我们的输出中，我们可以看到闭眼时阿尔法功率（橙色）相较于睁眼时（蓝色）增加。
这就是我们的教程的结束！你现在具备了基本知识 🙂
你可以在资源部分找到一些更高级的阅读链接。
5. 资源
高级阅读
Donoghue等，2022 研究神经振荡的思考方法
EEG术语词汇表
Kane等，2017（在这里）
开源代码
如果你熟悉Python编码，我们提供了Python脚本，可以帮助你获得阿尔法功率值，标记为睁眼和闭眼片段。找到代码和示例阿尔法抑制数据文件在这里：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. 和 Voytek, B., 2022. 研究神经振荡的思考方法。欧洲神经科学杂志，55(11-12)，第3502-3527页。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. 和 van Putten, M.J., 2017. 临床脑电图学家最常用术语的修订词汇表和EEG发现的报告格式修订提案2017。临床神经生理学实践，2，第170页。doi: 10.1016/j.cnp.2017.07.002
Siuly, S., Li, Y., Zhang, Y. (2016). 脑电图（EEG）及其背景。在：EEG信号分析和分类。健康信息科学。施普林格出版社，香农。doi: https://doi.org/10.1007/978-3-319-47653-7%5F1
1. 引言
欢迎！在本教程中，我们将学习脑波及其如何帮助我们理解大脑和行为。
汉斯·伯杰在1929年创造了“脑电图”这个术语，当时他描述了通过放置在一个人头部的传感器记录的电位变化。他识别出了两种类型的脑波，命名为阿尔法波和贝塔波，仅仅是因为他记录它们的顺序。这种波在其他哺乳动物中也曾被记录，但伯杰首次在中国人身上描述了它们！
自那时起，脑电图方法已成为神经科学中的一个关键工具，帮助我们的脑波理解（研究人员称之为神经振荡）有所进步，并帮助我们描述大脑在疲劳和清醒等状态下的特征。
在这个简短的教程中，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）是一种非侵入性和被动的方法，用于测量我们大脑的电活动。电极/传感器/通道放置在头皮上，以记录由称为神经元的脑细胞群体产生的电活动。
图 1 – 神经元产生的电活动可通过EEG设备检测 [Siuly, et al. (2016)]。
2.1. EEG系统
市场上有许多EEG设备可用于记录EEG。EEG设备可以有：
单个传感器或最多256个电极 – 更多的电极将提供更高的头皮信息空间分辨率。
湿电极或干电极 – 湿电极使用电解胶或盐水溶液来改善头皮与传感器之间的导电性。干电极可以是金属或导电聚合物，需要与头皮直接接触。
主动电极或被动电极 – 被动电极系统仅将信号导向设备进行放大。主动电极系统在信号到达设备放大之前，在每个电极处放大信号，从而减少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 – 一种无线、低密度EEG系统。
图 3 – 一种有线、高密度电极EEG系统。
2.2. 何时使用EEG？
每种神经成像方法都有助于回答不同的研究问题。
EEG的最大优势在于它可以毫秒级地测量神经活动，能够测量潜意识前的过程。
图 4 – 不同神经成像工具的空间与时间分辨率。
它最适合回答诸如“我的视频中参与者关注的部分是什么？”这样的问题。
EEG主要记录来自大脑外层的活动（即空间分辨率较低）。使用单个传感器无法确定活动的来源。通过大量通道的记录可以在数学上重建源，但在识别深层源方面仍然有限。功能性磁共振成像（fMRI）更适合回答诸如“哪个大脑部分与注意力的变化有关？”
2.3. 从传感器到原始EEG？
一旦EEG设备装上头部，通过测量该传感器与参考传感器之间的幅度差来测量脑活动。在大多数EEG系统中，这被称为共模感应（CMS）电极。另一个额外传感器，被动右腿（DRL），有助于减少CMS处的任何干扰。
图 5 – EEG信号传输的简化框图。
在同时具有主动和被动电极的系统中，信号随后被放大并进行低通滤波。低通滤波是一种去除信号中可能来自环境的电干扰（例如，主电源线）的步骤。
这些步骤发生在硬件本身中，然后才能在计算机屏幕上查看原始EEG信号。
2.4. 一些基本术语
10-20标准命名法
左侧传感器通常是奇数编号，右侧传感器通常是偶数编号。
注 1：这些只是命名惯例，EEG传感器位置的来源并不能指示活动的来源。
注 2：需要进行额外的步骤，例如对源进行数学重建，以确定单通道活动的源头。
3. 什么是神经振荡？
脑波，通常称为神经振荡，是由单个或一群神经元产生的节律模式。
目前尚不清楚大脑为何会产生这些不同类型的振荡，尽管有许多理论。研究人员使用不同的任务来表征这些振荡活动，并旨在利用这些节律模式理解大脑的奥秘。
3.1. 振荡的一些特性
此图显示了常规电信号的测量：
图 6 – 不同神经成像工具的空间与时间分辨率。
在左侧（y轴），我们可以绘制电记录的幅度，在水平轴（x轴）为时间。信号的幅度将围绕中心点以规则的方式波动。一个周期也被称为一个振荡。
每秒的周期数称为波的频率，单位为赫兹（Hz）。因此1个周期每秒 = 1 Hz。幅度通常以微伏特（µV）为单位测量。
在大脑中，我们看到频率范围从0.2 Hz（非常慢的波）到80 Hz或更高（非常快的波）。与癫痫相关的高频活动可高达500 Hz，也能在大脑中记录到。
根据频率，脑部振荡的不同类型可被描述。这些被称为频率带，并可以与不同的脑状态相关：
图 7 – 典型EEG中的脑波。
3.2. 为什么不同频率带很重要？
识别正常与异常的脑模式
神经振荡在检测癫痫发作和神经学的诊断中重要。脑机接口（BCI）
Beta、Gamma和Mu振荡的数量通常用于训练远程设备（例如，用思想移动轮椅）。神经反馈
这是一种大脑训练形式，你可以查看你的脑波（例如，伽玛振荡）并参与认知任务以提高你大脑中伽玛振荡的数量。神经市场营销
阿尔法和贝塔频段可以用来确定广告的哪个部分更具吸引力或不那么吸引人。
3.3. EEG数据分析的类型
大多数研究人员通常在时间域或频率域进行分析。
时间域分析
通常在刺激出现后对感兴趣时间点的电压幅度进行测量。这些称为事件相关电位（ERPs）。
频率域分析
通常测量在特定时间窗口或与事件的发生相关的不同频率带中神经振荡的数量。
接下来，我们将提供频率域分析的概述。
3.4. 处理
一旦你进行了一次EEG记录，你通常会在理解振荡之前清理数据。
过滤
一种去除数据中高低频环境噪声的技术。伪影去除
身体活动、眼睛眨动都可能导致大的伪影（> 50 µV顶峰）。这些可以被去除，以免对我们的结果产生影响。一些研究人员使用复杂的方法来修正这些伪影，以保留数据。
数据处理完成后，信号现在可以转换为频率域，以便我们能够量化每种类型的脑波数量。
图 8 – 原始EEG中的眼睛眨动伪影。
3.5. 快速傅里叶变换（FFT）
傅里叶变换是EEG信号从“时间域”（图像A）转换到“频率域”（图像B）的数学过程。
在频率域中，我们可以量化每种类型的振荡在记录中出现的程度。这通常是频率带的“功率”，可以以功率谱的形式显示（图像B）。
图 9A – 时间域中的原始EEG。
图 9B – FFT后的功率谱（频率域）。
3.6. 带功率
来自傅里叶变换的频率带（例如，阿尔法带）功率告诉我们每种频率带的存在量。带功率单位通常为µV2/Hz。通常，FFT的幅度或功率谱以对数单位分贝（dB）表示。分贝是一种测量的功率（P）与参考功率（Pr）之间的比例的单位，如下所示：
一旦获得该兴趣事件的测量单位，带功率可以进行比较，以理解实验对脑波的影响。
4. 从理论到实践
接下来，我们将看看阿尔法抑制效应。
这是一种由汉斯·伯杰首次报告的现象，当人眼睁开时，我们看到阿尔法振荡（阿尔法功率）的数量显著减少，而睁眼与闭眼之间的差异为明显。
图 10 – 眼睛睁开时阿尔法振荡增加可见。
首先，使用 EmotivPRO Builder 我们建立了一个简单的实验。在该实验中，参与者只需保持眼睛睁开2分钟，专注于屏幕，然后再闭眼2分钟。在2分钟时，会听到一个铃声，作为他们睁眼的信号。
你可以按照下面的视频进行自己的阿尔法抑制实验，或者通过链接 在这里 运行我们的实验：
4.1. 设备安装和EEG质量
阅读更多关于我们的EQ门控如何工作 在这里。找到关于你耳机特定设备安装的更多信息：
EPOC类型
洞察类型
4.2. 处理和转换EEG数据
现在你有了数据，可以使用Emotiv分析程序将其转换为频率域。按照视频中的步骤进行。
4.3. 解释数据
一旦分析器完成，下载zip文件。对于每条记录，你将拥有一个包含带功率的csv文件和一张图像文件，你可以用来进行自己的统计分析。
图 11 – 带功率。
在我们的输出中，我们可以看到闭眼时阿尔法功率（橙色）相较于睁眼时（蓝色）增加。
这就是我们的教程的结束！你现在具备了基本知识 🙂
你可以在资源部分找到一些更高级的阅读链接。
5. 资源
高级阅读
Donoghue等，2022 研究神经振荡的思考方法
EEG术语词汇表
Kane等，2017（在这里）
开源代码
如果你熟悉Python编码，我们提供了Python脚本，可以帮助你获得阿尔法功率值，标记为睁眼和闭眼片段。找到代码和示例阿尔法抑制数据文件在这里：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. 和 Voytek, B., 2022. 研究神经振荡的思考方法。欧洲神经科学杂志，55(11-12)，第3502-3527页。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. 和 van Putten, M.J., 2017. 临床脑电图学家最常用术语的修订词汇表和EEG发现的报告格式修订提案2017。临床神经生理学实践，2，第170页。doi: 10.1016/j.cnp.2017.07.002
Siuly, S., Li, Y., Zhang, Y. (2016). 脑电图（EEG）及其背景。在：EEG信号分析和分类。健康信息科学。施普林格出版社，香农。doi: https://doi.org/10.1007/978-3-319-47653-7%5F1
1. 引言
欢迎！在本教程中，我们将学习脑波及其如何帮助我们理解大脑和行为。
汉斯·伯杰在1929年创造了“脑电图”这个术语，当时他描述了通过放置在一个人头部的传感器记录的电位变化。他识别出了两种类型的脑波，命名为阿尔法波和贝塔波，仅仅是因为他记录它们的顺序。这种波在其他哺乳动物中也曾被记录，但伯杰首次在中国人身上描述了它们！
自那时起，脑电图方法已成为神经科学中的一个关键工具，帮助我们的脑波理解（研究人员称之为神经振荡）有所进步，并帮助我们描述大脑在疲劳和清醒等状态下的特征。
在这个简短的教程中，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）是一种非侵入性和被动的方法，用于测量我们大脑的电活动。电极/传感器/通道放置在头皮上，以记录由称为神经元的脑细胞群体产生的电活动。
图 1 – 神经元产生的电活动可通过EEG设备检测 [Siuly, et al. (2016)]。
2.1. EEG系统
市场上有许多EEG设备可用于记录EEG。EEG设备可以有：
单个传感器或最多256个电极 – 更多的电极将提供更高的头皮信息空间分辨率。
湿电极或干电极 – 湿电极使用电解胶或盐水溶液来改善头皮与传感器之间的导电性。干电极可以是金属或导电聚合物，需要与头皮直接接触。
主动电极或被动电极 – 被动电极系统仅将信号导向设备进行放大。主动电极系统在信号到达设备放大之前，在每个电极处放大信号，从而减少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 – 一种无线、低密度EEG系统。
图 3 – 一种有线、高密度电极EEG系统。
2.2. 何时使用EEG？
每种神经成像方法都有助于回答不同的研究问题。
EEG的最大优势在于它可以毫秒级地测量神经活动，能够测量潜意识前的过程。
图 4 – 不同神经成像工具的空间与时间分辨率。
它最适合回答诸如“我的视频中参与者关注的部分是什么？”这样的问题。
EEG主要记录来自大脑外层的活动（即空间分辨率较低）。使用单个传感器无法确定活动的来源。通过大量通道的记录可以在数学上重建源，但在识别深层源方面仍然有限。功能性磁共振成像（fMRI）更适合回答诸如“哪个大脑部分与注意力的变化有关？”
2.3. 从传感器到原始EEG？
一旦EEG设备装上头部，通过测量该传感器与参考传感器之间的幅度差来测量脑活动。在大多数EEG系统中，这被称为共模感应（CMS）电极。另一个额外传感器，被动右腿（DRL），有助于减少CMS处的任何干扰。
图 5 – EEG信号传输的简化框图。
在同时具有主动和被动电极的系统中，信号随后被放大并进行低通滤波。低通滤波是一种去除信号中可能来自环境的电干扰（例如，主电源线）的步骤。
这些步骤发生在硬件本身中，然后才能在计算机屏幕上查看原始EEG信号。
2.4. 一些基本术语
10-20标准命名法
左侧传感器通常是奇数编号，右侧传感器通常是偶数编号。
注 1：这些只是命名惯例，EEG传感器位置的来源并不能指示活动的来源。
注 2：需要进行额外的步骤，例如对源进行数学重建，以确定单通道活动的源头。
3. 什么是神经振荡？
脑波，通常称为神经振荡，是由单个或一群神经元产生的节律模式。
目前尚不清楚大脑为何会产生这些不同类型的振荡，尽管有许多理论。研究人员使用不同的任务来表征这些振荡活动，并旨在利用这些节律模式理解大脑的奥秘。
3.1. 振荡的一些特性
此图显示了常规电信号的测量：
图 6 – 不同神经成像工具的空间与时间分辨率。
在左侧（y轴），我们可以绘制电记录的幅度，在水平轴（x轴）为时间。信号的幅度将围绕中心点以规则的方式波动。一个周期也被称为一个振荡。
每秒的周期数称为波的频率，单位为赫兹（Hz）。因此1个周期每秒 = 1 Hz。幅度通常以微伏特（µV）为单位测量。
在大脑中，我们看到频率范围从0.2 Hz（非常慢的波）到80 Hz或更高（非常快的波）。与癫痫相关的高频活动可高达500 Hz，也能在大脑中记录到。
根据频率，脑部振荡的不同类型可被描述。这些被称为频率带，并可以与不同的脑状态相关：
图 7 – 典型EEG中的脑波。
3.2. 为什么不同频率带很重要？
识别正常与异常的脑模式
神经振荡在检测癫痫发作和神经学的诊断中重要。脑机接口（BCI）
Beta、Gamma和Mu振荡的数量通常用于训练远程设备（例如，用思想移动轮椅）。神经反馈
这是一种大脑训练形式，你可以查看你的脑波（例如，伽玛振荡）并参与认知任务以提高你大脑中伽玛振荡的数量。神经市场营销
阿尔法和贝塔频段可以用来确定广告的哪个部分更具吸引力或不那么吸引人。
3.3. EEG数据分析的类型
大多数研究人员通常在时间域或频率域进行分析。
时间域分析
通常在刺激出现后对感兴趣时间点的电压幅度进行测量。这些称为事件相关电位（ERPs）。
频率域分析
通常测量在特定时间窗口或与事件的发生相关的不同频率带中神经振荡的数量。
接下来，我们将提供频率域分析的概述。
3.4. 处理
一旦你进行了一次EEG记录，你通常会在理解振荡之前清理数据。
过滤
一种去除数据中高低频环境噪声的技术。伪影去除
身体活动、眼睛眨动都可能导致大的伪影（> 50 µV顶峰）。这些可以被去除，以免对我们的结果产生影响。一些研究人员使用复杂的方法来修正这些伪影，以保留数据。
数据处理完成后，信号现在可以转换为频率域，以便我们能够量化每种类型的脑波数量。
图 8 – 原始EEG中的眼睛眨动伪影。
3.5. 快速傅里叶变换（FFT）
傅里叶变换是EEG信号从“时间域”（图像A）转换到“频率域”（图像B）的数学过程。
在频率域中，我们可以量化每种类型的振荡在记录中出现的程度。这通常是频率带的“功率”，可以以功率谱的形式显示（图像B）。
图 9A – 时间域中的原始EEG。
图 9B – FFT后的功率谱（频率域）。
3.6. 带功率
来自傅里叶变换的频率带（例如，阿尔法带）功率告诉我们每种频率带的存在量。带功率单位通常为µV2/Hz。通常，FFT的幅度或功率谱以对数单位分贝（dB）表示。分贝是一种测量的功率（P）与参考功率（Pr）之间的比例的单位，如下所示：
一旦获得该兴趣事件的测量单位，带功率可以进行比较，以理解实验对脑波的影响。
4. 从理论到实践
接下来，我们将看看阿尔法抑制效应。
这是一种由汉斯·伯杰首次报告的现象，当人眼睁开时，我们看到阿尔法振荡（阿尔法功率）的数量显著减少，而睁眼与闭眼之间的差异为明显。
图 10 – 眼睛睁开时阿尔法振荡增加可见。
首先，使用 EmotivPRO Builder 我们建立了一个简单的实验。在该实验中，参与者只需保持眼睛睁开2分钟，专注于屏幕，然后再闭眼2分钟。在2分钟时，会听到一个铃声，作为他们睁眼的信号。
你可以按照下面的视频进行自己的阿尔法抑制实验，或者通过链接 在这里 运行我们的实验：
4.1. 设备安装和EEG质量
阅读更多关于我们的EQ门控如何工作 在这里。找到关于你耳机特定设备安装的更多信息：
EPOC类型
洞察类型
4.2. 处理和转换EEG数据
现在你有了数据，可以使用Emotiv分析程序将其转换为频率域。按照视频中的步骤进行。
4.3. 解释数据
一旦分析器完成，下载zip文件。对于每条记录，你将拥有一个包含带功率的csv文件和一张图像文件，你可以用来进行自己的统计分析。
图 11 – 带功率。
在我们的输出中，我们可以看到闭眼时阿尔法功率（橙色）相较于睁眼时（蓝色）增加。
这就是我们的教程的结束！你现在具备了基本知识 🙂
你可以在资源部分找到一些更高级的阅读链接。
5. 资源
高级阅读
Donoghue等，2022 研究神经振荡的思考方法
EEG术语词汇表
Kane等，2017（在这里）
开源代码
如果你熟悉Python编码，我们提供了Python脚本，可以帮助你获得阿尔法功率值，标记为睁眼和闭眼片段。找到代码和示例阿尔法抑制数据文件在这里：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. 和 Voytek, B., 2022. 研究神经振荡的思考方法。欧洲神经科学杂志，55(11-12)，第3502-3527页。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. 和 van Putten, M.J., 2017. 临床脑电图学家最常用术语的修订词汇表和EEG发现的报告格式修订提案2017。临床神经生理学实践，2，第170页。doi: 10.1016/j.cnp.2017.07.002
Siuly, S., Li, Y., Zhang, Y. (2016). 脑电图（EEG）及其背景。在：EEG信号分析和分类。健康信息科学。施普林格出版社，香农。doi: https://doi.org/10.1007/978-3-319-47653-7%5F1
© 2025 EMOTIV，版权所有。
您的隐私选择（Cookie 设置）
*免责声明 – EMOTIV 产品仅用于研究应用和个人使用。我们的产品不作为欧盟指令 93/42/EEC 中定义的医疗设备出售。我们的产品并非为诊断或治疗疾病而设计或意图使用。
翻译说明：本网站的非英文版本是为了方便您而使用人工智能进行了翻译。尽管我们努力追求准确性，自动翻译可能包含错误或与原文有所不同的细微差别。有关最准确的信息，请参考本网站的英文版本。
© 2025 EMOTIV，版权所有。
您的隐私选择（Cookie 设置）
*免责声明 – EMOTIV 产品仅用于研究应用和个人使用。我们的产品不作为欧盟指令 93/42/EEC 中定义的医疗设备出售。我们的产品并非为诊断或治疗疾病而设计或意图使用。
翻译说明：本网站的非英文版本是为了方便您而使用人工智能进行了翻译。尽管我们努力追求准确性，自动翻译可能包含错误或与原文有所不同的细微差别。有关最准确的信息，请参考本网站的英文版本。
© 2025 EMOTIV，版权所有。
您的隐私选择（Cookie 设置）
*免责声明 – EMOTIV 产品仅用于研究应用和个人使用。我们的产品不作为欧盟指令 93/42/EEC 中定义的医疗设备出售。我们的产品并非为诊断或治疗疾病而设计或意图使用。
翻译说明：本网站的非英文版本是为了方便您而使用人工智能进行了翻译。尽管我们努力追求准确性，自动翻译可能包含错误或与原文有所不同的细微差别。有关最准确的信息，请参考本网站的英文版本。