价格上涨，适用于 Epoc X 和 Flex，于 5月1日生效。立即囤货，省更多！
神经振荡的基础
罗希尼·兰德尼亚
更新于
2024年2月22日
神经振荡的基础
罗希尼·兰德尼亚
更新于
2024年2月22日
神经振荡的基础
罗希尼·兰德尼亚
更新于
2024年2月22日
1. 简介
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·伯杰在1929年创造了 electroencephalogram 一词，当时他描述了使用放置在头部传感器记录到的电位变化。他识别出两种脑电波，并仅根据记录顺序将它们称为 alpha 波和 beta 波。这类波此前已在其他哺乳动物中被记录到，但伯杰首次将它们描述于人类！
从那时起，electroencephalography 方法已成为神经科学中的关键工具，并帮助我们发展了对脑电波（研究人员称之为神经振荡）的理解，也帮助刻画了诸如疲劳和清醒等大脑状态。
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 设备和软件进行实际应用。
2. 什么是 EEG？
Electroencephalography（EEG）是一种无创、被动的测量大脑电活动的方法。电极/传感器/通道被放置在头皮上，用于记录由脑细胞群（称为神经元）产生的电活动。
图 1 – 神经元产生的电活动可以通过 EEG 设备检测到 [Siuly 等（2016）]。
2.1. EEG 系统
市场上有许多可用于记录 EEG 的设备。EEG 设备的范围可以包括：
单个传感器到多达 256 个电极 – 更多电极将提供更高的头皮空间分辨率信息。
湿电极或干电极 – 湿电极使用电解凝胶或盐水溶液来提高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 – 被动电极系统只是将信号传导到设备中，由设备进行放大。主动电极系统会在每个电极处先放大信号，再将其传送到设备进行进一步放大。这样可以减少信号中的环境电噪声。
有线或无线设备，可通过 Bluetooth 传输数据。
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？
每种神经影像方法都可以帮助回答不同的研究问题。
EEG 最大的优势在于它可以在毫秒尺度上测量神经活动，从而测量意识前过程。
图 4 – 不同神经影像工具的空间与时间分辨率。
它最适合回答这类问题：“我的视频中哪些部分让参与者最为关注？”
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。使用大量通道进行记录可以通过数学方法重建来源，但在识别深层来源方面仍然有限。功能磁共振成像（fMRI）更适合回答这类问题：“大脑的哪个部分与注意力变化有关？”
2.3. 传感器到原始 EEG？
一旦 EEG 设备固定在头部，就会通过该传感器与参考传感器之间的振幅差来测量单个传感器上的脑活动。在大多数 EEG 系统中，这被称为 common mode sense（CMS）电极。另一个附加传感器 driven right leg（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。
在同时使用主动和被动电极的系统中，信号随后会被放大并进行低通滤波。低通滤波是一个会去除信号中可能存在的环境电干扰的步骤，例如市电。
这些步骤都发生在硬件内部，然后你才能在电脑屏幕上查看原始 EEG 信号。
2.4. 一些基本术语
10-20 标准命名规则
左侧传感器通常使用奇数编号，右侧传感器通常使用偶数编号。
注 1：这些只是命名规则，EEG 传感器位置的来源并不能表明活动的来源。
注 2：若要确定单通道活动的来源，需要进行额外步骤，例如对来源进行数学重建。
3. 什么是神经振荡？
脑电波通常被称为神经振荡，是由单个神经元或神经元群产生的节律性模式。
目前尚不清楚大脑为何会产生这些不同类型的振荡，不过对此有许多理论。研究人员使用不同的任务来刻画这些振荡活动，并希望借助这些节律模式来理解大脑的奥秘。
3.1. 振荡的一些属性
这张图显示了一个规则电信号的测量：
图 6 – 不同神经影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振幅，而在水平轴（x 轴）上绘制时间。信号的振幅会围绕一个中心点以规则方式变化其大小。一个周期也称为一次振荡。
每秒周期数称为波的频率，单位是赫兹（Hz）。因此每秒 1 个周期 = 1 Hz。振幅通常以微伏（µV）表示。
在大脑中，我们可以看到频率范围从 0.2 Hz（非常慢的波）到 80 Hz 或更高（非常快的波）的脑电波。与癫痫发作相关的高频活动，最高可达 500 Hz，也可以在大脑中记录到。
不同类型的脑振荡根据其频率来表征。这些被称为频带，并且可与不同的大脑状态相关联：
图 7 – 典型 EEG 中的脑电波。
3.2. 为什么不同频带很重要？
识别正常与异常的大脑模式
神经振荡对于检测癫痫发作以及在神经学中诊断癫痫非常重要。脑机接口（BCI）
beta、gamma 和 mu 振荡的数量常用于训练远程设备（例如用思维控制轮椅）。神经反馈
这是一种脑训练形式，你可以查看自己的脑电波（例如 gamma 振荡），并进行认知任务，以提高大脑中 gamma 振荡的数量。神经营销
Alpha 和 beta 频带可用于确定广告中哪些部分更吸引人或较不吸引人。
3.3. EEG 数据分析类型
研究人员最常进行的分析是时域分析或频域分析。
时域分析
通常测量刺激出现后感兴趣时间点的电压振幅。这些称为事件相关电位（ERP）。
频域分析
通常测量在一个定义好的时间窗口内或与事件开始相关的不同频带中的神经振荡数量。
接下来我们将概述频域分析。
3.4. 处理
一旦完成 EEG 记录，通常会先清理数据，再开始理解振荡。
滤波
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、眨眼都可能在 EEG 中造成较大的伪迹（> 50 µV 峰值）。这些伪迹可以被移除，以免影响我们的结果。一些研究人员会使用复杂的方法来校正这些伪迹，以保留数据。
在数据处理完成后，信号现在可以转换到频域，以便我们量化各种脑电波的数量。
图 8 – 原始 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 A）转换为“频域（图 B）”的数学转换。
在频域中，我们可以量化记录中包含了多少每一种类型的振荡。这通常就是该频带的“功率”，并可显示为功率谱（图 B）。
图 9A – 时域中的原始 EEG。
图 9B – FFT 后的功率谱（频域）。
3.6. 频带功率
通过傅里叶变换得到的某个频带的功率（例如 Alpha 频带）告诉我们该频带包含多少信号。频带功率的单位通常为 µV2/Hz。最常见的是，FFT 得到的振幅或功率谱会以对数单位分贝（dB）显示。分贝是测量功率（P）与参考功率（Pr）之间比值的单位，如下所示：
一旦获得了与感兴趣事件相关的这种测量单位，就可以比较各频带功率，以理解实验效应对脑电波的影响。
4. 从理论到实践
接下来，我们将查看 alpha 抑制效应。
这是汉斯·伯杰首次报告的一种现象：与闭眼相比，当眼睛睁开时，alpha 振荡的数量（alpha 功率）会显著下降。
图 10 – 当眼睛睁开时，可见 alpha 振荡增加。
首先，我们使用 EmotivPRO Builder 构建了一个简单实验。在这个实验中，只要求参与者在注视屏幕时保持睁眼 2 分钟，然后闭眼 2 分钟。他们会在 2 分钟结束时听到铃声，以提示重新睁眼。
你可以按照下面的视频制作自己的 alpha 抑制实验，或者通过 这里 的链接运行我们的实验：
4.1. 设备佩戴与 EEG 质量
了解更多关于我们的 EQ gate 如何工作的内容，请点击 这里。在此处查看与你的头戴设备相对应的佩戴信息：
EPOC 型
Insight 型
4.2. 处理并转换 EEG 数据
现在你已经有了数据，可以使用 Emotiv Analyzer 将其转换到频域。请按照视频中的步骤操作。
4.3. 解释数据
Analyzer 完成后，请下载 zip 文件。对于每条记录，你都会获得一个包含频带功率的 csv 文件，以及一个可用于进行自己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）的 Alpha 功率增加。
本教程到此结束！你现在已经掌握了基础知识 🙂
你可以在资源部分找到一些更进阶阅读的链接。
5. 资源
进阶阅读
Donoghue 等人 2022 研究神经振荡的方法学考虑
EEG 术语表
Kane 等人 2017（这里）
开源代码
如果你熟悉 Python 编程，我们提供了可用的 Python 脚本，你可以用它们获取 alpha 功率值，并按睁眼与闭眼片段进行标注。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. 和 Voytek, B., 2022。研究神经振荡的方法学考虑。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. 和 van Putten, M.J., 2017。临床脑电图学家最常用术语的修订词汇表，以及对 EEG 结果报告格式的更新建议。2017 修订版。Clinical neurophysiology practice, 2, p.170. 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 信号分析与分类。Health Information Science。Springer，Cham。doi: https://doi.org/10.1007/978-3-319-47653-7%5F1
1. 简介
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·伯杰在1929年创造了 electroencephalogram 一词，当时他描述了使用放置在头部传感器记录到的电位变化。他识别出两种脑电波，并仅根据记录顺序将它们称为 alpha 波和 beta 波。这类波此前已在其他哺乳动物中被记录到，但伯杰首次将它们描述于人类！
从那时起，electroencephalography 方法已成为神经科学中的关键工具，并帮助我们发展了对脑电波（研究人员称之为神经振荡）的理解，也帮助刻画了诸如疲劳和清醒等大脑状态。
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 设备和软件进行实际应用。
2. 什么是 EEG？
Electroencephalography（EEG）是一种无创、被动的测量大脑电活动的方法。电极/传感器/通道被放置在头皮上，用于记录由脑细胞群（称为神经元）产生的电活动。
图 1 – 神经元产生的电活动可以通过 EEG 设备检测到 [Siuly 等（2016）]。
2.1. EEG 系统
市场上有许多可用于记录 EEG 的设备。EEG 设备的范围可以包括：
单个传感器到多达 256 个电极 – 更多电极将提供更高的头皮空间分辨率信息。
湿电极或干电极 – 湿电极使用电解凝胶或盐水溶液来提高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 – 被动电极系统只是将信号传导到设备中，由设备进行放大。主动电极系统会在每个电极处先放大信号，再将其传送到设备进行进一步放大。这样可以减少信号中的环境电噪声。
有线或无线设备，可通过 Bluetooth 传输数据。
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？
每种神经影像方法都可以帮助回答不同的研究问题。
EEG 最大的优势在于它可以在毫秒尺度上测量神经活动，从而测量意识前过程。
图 4 – 不同神经影像工具的空间与时间分辨率。
它最适合回答这类问题：“我的视频中哪些部分让参与者最为关注？”
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。使用大量通道进行记录可以通过数学方法重建来源，但在识别深层来源方面仍然有限。功能磁共振成像（fMRI）更适合回答这类问题：“大脑的哪个部分与注意力变化有关？”
2.3. 传感器到原始 EEG？
一旦 EEG 设备固定在头部，就会通过该传感器与参考传感器之间的振幅差来测量单个传感器上的脑活动。在大多数 EEG 系统中，这被称为 common mode sense（CMS）电极。另一个附加传感器 driven right leg（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。
在同时使用主动和被动电极的系统中，信号随后会被放大并进行低通滤波。低通滤波是一个会去除信号中可能存在的环境电干扰的步骤，例如市电。
这些步骤都发生在硬件内部，然后你才能在电脑屏幕上查看原始 EEG 信号。
2.4. 一些基本术语
10-20 标准命名规则
左侧传感器通常使用奇数编号，右侧传感器通常使用偶数编号。
注 1：这些只是命名规则，EEG 传感器位置的来源并不能表明活动的来源。
注 2：若要确定单通道活动的来源，需要进行额外步骤，例如对来源进行数学重建。
3. 什么是神经振荡？
脑电波通常被称为神经振荡，是由单个神经元或神经元群产生的节律性模式。
目前尚不清楚大脑为何会产生这些不同类型的振荡，不过对此有许多理论。研究人员使用不同的任务来刻画这些振荡活动，并希望借助这些节律模式来理解大脑的奥秘。
3.1. 振荡的一些属性
这张图显示了一个规则电信号的测量：
图 6 – 不同神经影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振幅，而在水平轴（x 轴）上绘制时间。信号的振幅会围绕一个中心点以规则方式变化其大小。一个周期也称为一次振荡。
每秒周期数称为波的频率，单位是赫兹（Hz）。因此每秒 1 个周期 = 1 Hz。振幅通常以微伏（µV）表示。
在大脑中，我们可以看到频率范围从 0.2 Hz（非常慢的波）到 80 Hz 或更高（非常快的波）的脑电波。与癫痫发作相关的高频活动，最高可达 500 Hz，也可以在大脑中记录到。
不同类型的脑振荡根据其频率来表征。这些被称为频带，并且可与不同的大脑状态相关联：
图 7 – 典型 EEG 中的脑电波。
3.2. 为什么不同频带很重要？
识别正常与异常的大脑模式
神经振荡对于检测癫痫发作以及在神经学中诊断癫痫非常重要。脑机接口（BCI）
beta、gamma 和 mu 振荡的数量常用于训练远程设备（例如用思维控制轮椅）。神经反馈
这是一种脑训练形式，你可以查看自己的脑电波（例如 gamma 振荡），并进行认知任务，以提高大脑中 gamma 振荡的数量。神经营销
Alpha 和 beta 频带可用于确定广告中哪些部分更吸引人或较不吸引人。
3.3. EEG 数据分析类型
研究人员最常进行的分析是时域分析或频域分析。
时域分析
通常测量刺激出现后感兴趣时间点的电压振幅。这些称为事件相关电位（ERP）。
频域分析
通常测量在一个定义好的时间窗口内或与事件开始相关的不同频带中的神经振荡数量。
接下来我们将概述频域分析。
3.4. 处理
一旦完成 EEG 记录，通常会先清理数据，再开始理解振荡。
滤波
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、眨眼都可能在 EEG 中造成较大的伪迹（> 50 µV 峰值）。这些伪迹可以被移除，以免影响我们的结果。一些研究人员会使用复杂的方法来校正这些伪迹，以保留数据。
在数据处理完成后，信号现在可以转换到频域，以便我们量化各种脑电波的数量。
图 8 – 原始 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 A）转换为“频域（图 B）”的数学转换。
在频域中，我们可以量化记录中包含了多少每一种类型的振荡。这通常就是该频带的“功率”，并可显示为功率谱（图 B）。
图 9A – 时域中的原始 EEG。
图 9B – FFT 后的功率谱（频域）。
3.6. 频带功率
通过傅里叶变换得到的某个频带的功率（例如 Alpha 频带）告诉我们该频带包含多少信号。频带功率的单位通常为 µV2/Hz。最常见的是，FFT 得到的振幅或功率谱会以对数单位分贝（dB）显示。分贝是测量功率（P）与参考功率（Pr）之间比值的单位，如下所示：
一旦获得了与感兴趣事件相关的这种测量单位，就可以比较各频带功率，以理解实验效应对脑电波的影响。
4. 从理论到实践
接下来，我们将查看 alpha 抑制效应。
这是汉斯·伯杰首次报告的一种现象：与闭眼相比，当眼睛睁开时，alpha 振荡的数量（alpha 功率）会显著下降。
图 10 – 当眼睛睁开时，可见 alpha 振荡增加。
首先，我们使用 EmotivPRO Builder 构建了一个简单实验。在这个实验中，只要求参与者在注视屏幕时保持睁眼 2 分钟，然后闭眼 2 分钟。他们会在 2 分钟结束时听到铃声，以提示重新睁眼。
你可以按照下面的视频制作自己的 alpha 抑制实验，或者通过 这里 的链接运行我们的实验：
4.1. 设备佩戴与 EEG 质量
了解更多关于我们的 EQ gate 如何工作的内容，请点击 这里。在此处查看与你的头戴设备相对应的佩戴信息：
EPOC 型
Insight 型
4.2. 处理并转换 EEG 数据
现在你已经有了数据，可以使用 Emotiv Analyzer 将其转换到频域。请按照视频中的步骤操作。
4.3. 解释数据
Analyzer 完成后，请下载 zip 文件。对于每条记录，你都会获得一个包含频带功率的 csv 文件，以及一个可用于进行自己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）的 Alpha 功率增加。
本教程到此结束！你现在已经掌握了基础知识 🙂
你可以在资源部分找到一些更进阶阅读的链接。
5. 资源
进阶阅读
Donoghue 等人 2022 研究神经振荡的方法学考虑
EEG 术语表
Kane 等人 2017（这里）
开源代码
如果你熟悉 Python 编程，我们提供了可用的 Python 脚本，你可以用它们获取 alpha 功率值，并按睁眼与闭眼片段进行标注。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. 和 Voytek, B., 2022。研究神经振荡的方法学考虑。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. 和 van Putten, M.J., 2017。临床脑电图学家最常用术语的修订词汇表，以及对 EEG 结果报告格式的更新建议。2017 修订版。Clinical neurophysiology practice, 2, p.170. 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 信号分析与分类。Health Information Science。Springer，Cham。doi: https://doi.org/10.1007/978-3-319-47653-7%5F1
1. 简介
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·伯杰在1929年创造了 electroencephalogram 一词，当时他描述了使用放置在头部传感器记录到的电位变化。他识别出两种脑电波，并仅根据记录顺序将它们称为 alpha 波和 beta 波。这类波此前已在其他哺乳动物中被记录到，但伯杰首次将它们描述于人类！
从那时起，electroencephalography 方法已成为神经科学中的关键工具，并帮助我们发展了对脑电波（研究人员称之为神经振荡）的理解，也帮助刻画了诸如疲劳和清醒等大脑状态。
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 设备和软件进行实际应用。
2. 什么是 EEG？
Electroencephalography（EEG）是一种无创、被动的测量大脑电活动的方法。电极/传感器/通道被放置在头皮上，用于记录由脑细胞群（称为神经元）产生的电活动。
图 1 – 神经元产生的电活动可以通过 EEG 设备检测到 [Siuly 等（2016）]。
2.1. EEG 系统
市场上有许多可用于记录 EEG 的设备。EEG 设备的范围可以包括：
单个传感器到多达 256 个电极 – 更多电极将提供更高的头皮空间分辨率信息。
湿电极或干电极 – 湿电极使用电解凝胶或盐水溶液来提高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 – 被动电极系统只是将信号传导到设备中，由设备进行放大。主动电极系统会在每个电极处先放大信号，再将其传送到设备进行进一步放大。这样可以减少信号中的环境电噪声。
有线或无线设备，可通过 Bluetooth 传输数据。
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？
每种神经影像方法都可以帮助回答不同的研究问题。
EEG 最大的优势在于它可以在毫秒尺度上测量神经活动，从而测量意识前过程。
图 4 – 不同神经影像工具的空间与时间分辨率。
它最适合回答这类问题：“我的视频中哪些部分让参与者最为关注？”
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。使用大量通道进行记录可以通过数学方法重建来源，但在识别深层来源方面仍然有限。功能磁共振成像（fMRI）更适合回答这类问题：“大脑的哪个部分与注意力变化有关？”
2.3. 传感器到原始 EEG？
一旦 EEG 设备固定在头部，就会通过该传感器与参考传感器之间的振幅差来测量单个传感器上的脑活动。在大多数 EEG 系统中，这被称为 common mode sense（CMS）电极。另一个附加传感器 driven right leg（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。
在同时使用主动和被动电极的系统中，信号随后会被放大并进行低通滤波。低通滤波是一个会去除信号中可能存在的环境电干扰的步骤，例如市电。
这些步骤都发生在硬件内部，然后你才能在电脑屏幕上查看原始 EEG 信号。
2.4. 一些基本术语
10-20 标准命名规则
左侧传感器通常使用奇数编号，右侧传感器通常使用偶数编号。
注 1：这些只是命名规则，EEG 传感器位置的来源并不能表明活动的来源。
注 2：若要确定单通道活动的来源，需要进行额外步骤，例如对来源进行数学重建。
3. 什么是神经振荡？
脑电波通常被称为神经振荡，是由单个神经元或神经元群产生的节律性模式。
目前尚不清楚大脑为何会产生这些不同类型的振荡，不过对此有许多理论。研究人员使用不同的任务来刻画这些振荡活动，并希望借助这些节律模式来理解大脑的奥秘。
3.1. 振荡的一些属性
这张图显示了一个规则电信号的测量：
图 6 – 不同神经影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振幅，而在水平轴（x 轴）上绘制时间。信号的振幅会围绕一个中心点以规则方式变化其大小。一个周期也称为一次振荡。
每秒周期数称为波的频率，单位是赫兹（Hz）。因此每秒 1 个周期 = 1 Hz。振幅通常以微伏（µV）表示。
在大脑中，我们可以看到频率范围从 0.2 Hz（非常慢的波）到 80 Hz 或更高（非常快的波）的脑电波。与癫痫发作相关的高频活动，最高可达 500 Hz，也可以在大脑中记录到。
不同类型的脑振荡根据其频率来表征。这些被称为频带，并且可与不同的大脑状态相关联：
图 7 – 典型 EEG 中的脑电波。
3.2. 为什么不同频带很重要？
识别正常与异常的大脑模式
神经振荡对于检测癫痫发作以及在神经学中诊断癫痫非常重要。脑机接口（BCI）
beta、gamma 和 mu 振荡的数量常用于训练远程设备（例如用思维控制轮椅）。神经反馈
这是一种脑训练形式，你可以查看自己的脑电波（例如 gamma 振荡），并进行认知任务，以提高大脑中 gamma 振荡的数量。神经营销
Alpha 和 beta 频带可用于确定广告中哪些部分更吸引人或较不吸引人。
3.3. EEG 数据分析类型
研究人员最常进行的分析是时域分析或频域分析。
时域分析
通常测量刺激出现后感兴趣时间点的电压振幅。这些称为事件相关电位（ERP）。
频域分析
通常测量在一个定义好的时间窗口内或与事件开始相关的不同频带中的神经振荡数量。
接下来我们将概述频域分析。
3.4. 处理
一旦完成 EEG 记录，通常会先清理数据，再开始理解振荡。
滤波
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、眨眼都可能在 EEG 中造成较大的伪迹（> 50 µV 峰值）。这些伪迹可以被移除，以免影响我们的结果。一些研究人员会使用复杂的方法来校正这些伪迹，以保留数据。
在数据处理完成后，信号现在可以转换到频域，以便我们量化各种脑电波的数量。
图 8 – 原始 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 A）转换为“频域（图 B）”的数学转换。
在频域中，我们可以量化记录中包含了多少每一种类型的振荡。这通常就是该频带的“功率”，并可显示为功率谱（图 B）。
图 9A – 时域中的原始 EEG。
图 9B – FFT 后的功率谱（频域）。
3.6. 频带功率
通过傅里叶变换得到的某个频带的功率（例如 Alpha 频带）告诉我们该频带包含多少信号。频带功率的单位通常为 µV2/Hz。最常见的是，FFT 得到的振幅或功率谱会以对数单位分贝（dB）显示。分贝是测量功率（P）与参考功率（Pr）之间比值的单位，如下所示：
一旦获得了与感兴趣事件相关的这种测量单位，就可以比较各频带功率，以理解实验效应对脑电波的影响。
4. 从理论到实践
接下来，我们将查看 alpha 抑制效应。
这是汉斯·伯杰首次报告的一种现象：与闭眼相比，当眼睛睁开时，alpha 振荡的数量（alpha 功率）会显著下降。
图 10 – 当眼睛睁开时，可见 alpha 振荡增加。
首先，我们使用 EmotivPRO Builder 构建了一个简单实验。在这个实验中，只要求参与者在注视屏幕时保持睁眼 2 分钟，然后闭眼 2 分钟。他们会在 2 分钟结束时听到铃声，以提示重新睁眼。
你可以按照下面的视频制作自己的 alpha 抑制实验，或者通过 这里 的链接运行我们的实验：
4.1. 设备佩戴与 EEG 质量
了解更多关于我们的 EQ gate 如何工作的内容，请点击 这里。在此处查看与你的头戴设备相对应的佩戴信息：
EPOC 型
Insight 型
4.2. 处理并转换 EEG 数据
现在你已经有了数据，可以使用 Emotiv Analyzer 将其转换到频域。请按照视频中的步骤操作。
4.3. 解释数据
Analyzer 完成后，请下载 zip 文件。对于每条记录，你都会获得一个包含频带功率的 csv 文件，以及一个可用于进行自己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）的 Alpha 功率增加。
本教程到此结束！你现在已经掌握了基础知识 🙂
你可以在资源部分找到一些更进阶阅读的链接。
5. 资源
进阶阅读
Donoghue 等人 2022 研究神经振荡的方法学考虑
EEG 术语表
Kane 等人 2017（这里）
开源代码
如果你熟悉 Python 编程，我们提供了可用的 Python 脚本，你可以用它们获取 alpha 功率值，并按睁眼与闭眼片段进行标注。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. 和 Voytek, B., 2022。研究神经振荡的方法学考虑。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. 和 van Putten, M.J., 2017。临床脑电图学家最常用术语的修订词汇表，以及对 EEG 结果报告格式的更新建议。2017 修订版。Clinical neurophysiology practice, 2, p.170. 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 信号分析与分类。Health Information Science。Springer，Cham。doi: https://doi.org/10.1007/978-3-319-47653-7%5F1
继续阅读
脑电图神经反馈：初学者指南
