EEG 数据提供了从头皮测量到的脑电活动的具有时间敏感性的记录。其价值不仅取决于记录本身,还取决于仔细的采集、透明的处理、妥善的存储以及负责任的解读。
什么是 EEG 数据?
EEG 数据是通过放置在头皮上或头皮附近的电极所测量的电压差的数字记录。脑电图(Electroencephalography)具有无创性并提供高时间分辨率,使研究人员和临床医生能够在毫秒级的时间尺度上观察大脑活动的变化。生成的信号通常存储为一个或多个连续的时间序列,每个通道代表相对于参考电极的测量值。
该信号反映了多种信号源的混合。神经活动构成了记录的一部分,但诸如眼球运动、肌肉收缩、电极移动、环境干扰和接触状态变化等伪影也会出现在追踪波形中。
因此,EEG 数据并非单一脑过程的直接读数。它是一种需要结合上下文背景、质量检查和明确分析方法的观测结果。
通道数量、采样率、参考电极、电极位置、事件标记和受试者信息都会影响对数据的解释方式。在实践中,当结合记录信号时的任务、状态、时间和条件综合考量时,该记录最具参考价值。
脑细胞如何产生 EEG 信号
EEG 电极检测到的电压偏转并非源于神经元用于长距离通信的急剧、全或无的动作电位,而是源自扩散穿过皮层锥体细胞树突的较慢、渐变的突触后电位。
当数以千计的此类神经元大致同步激活时,它们微小的细胞外电流会通过大脑、脑脊液、颅骨和头皮等导电介质发生总和,这一过程称为容积传导。最终到达记录传感器的电压是这种大规模神经同步的模糊但真实的反映。
EEG 数据采集的工作原理
在采集过程中,电极检测微小的电压波动,记录系统将其转换为数字采样。该系统通常同时记录多个通道,而参考电极和接地电极则提供计算通道数值所需的电气基准。采样率决定了测量信号的频率,从而决定了哪些变化可以被真实还原。
在记录之前,技术人员或研究人员会根据既定的导联方式(montage)放置电极并检查接触质量。EEG 电极放置框架描述了一种标准化方法,支持跨实验时程(session)和实验室之间的比较。当出现刺激、受试者做出反应或发生临床事件时,可以添加事件标记,从而创建一条随后可与记录信号对齐的时间线。
数据采集也受到实验方案的影响。静息态记录、睡眠研究、认知任务和癫痫监测使用不同的持续时间、指导语和辅助传感器。因此,一个完整的数据集不仅包含电压追踪:它还可能包含通道标签、电极位置、设备设置、事件代码、注释以及中断或异常情况的记录。
EEG 数据采集的最佳实践
良好的采集始于在测试受试者之前明确研究问题、记录持续时间、通道配置、采样率、参考和事件标记流程的实验方案。一致性可以减少各实验时程之间不必要的差异,并使后续的比较更具说服力。该方案还应说明当通道出现噪声、受试者移动或遗漏事件标记时应采取的措施。
物理准备也至关重要,因为普通动作和不良的电极接触可能会导致信号质量下降。这就是操作人员通常会检查阻抗或等效接触指标、清晰解释任务并记录受试者状态相关变化的原因。这些步骤并不能消除所有伪影,但能使伪影的来源更容易被识别,并防止将可避免的问题误认为是神经发现。
一份简短的采集清单可以在不取代科学判断的前提下,使操作细节一目了然:
确认通道标签、电极位置、参考和接地。
记录采样设置、滤波设置和设备配置。
对刺激、反应、暂停和临床相关事件进行一致的标记。
记录中断、动作、电极更改以及异常的受试者状态。
采集完成后,应将检查清单与对原始记录及其元数据的检查结合起来。清晰的采集记录使分析人员能够将真实的信号特征与由硬件、设置或方案偏差引起的变化区分开来。
湿电极与干电极及皮肤接触质量
所有的 EEG 记录都始于贴合在皮肤上的物理传感器,该传感器可分为两大类。
湿电极使用导电凝胶或导电膏来填补金属与头皮之间的间隙,从而降低阻抗。干电极则省去了凝胶,依靠先进材料和内置的前置放大来保持信号保真度。
一些电极是有源的,这意味着它们在记录位点直接包含阻抗转换电路;无源电极则缺乏这种板载电子设备。无论何种类型,电极与头皮接触面的质量决定了在生物信号到达放大器之前能保留多少。
接触不良会导致环境噪声和动作伪影,从而掩盖微弱的大脑活动。Winkler 等人在构建针对独立成分分析(ICA)成分的受试者独立分类器以解决伪影源成分这一普遍问题时,明确指出了这一挑战。
这项工作的存在本身就凸显了伪影污染是 EEG 记录中持续存在的问题,而最初电极的佩戴——清洁皮肤、正确放置传感器并验证连接稳定——是减轻后续处理必须应对的伪影负担的第一道、也是最直接的途径。
导联设计与标准 10–20 系统
由于头皮电位本身没有固有的空间标签,该领域很久以前就采用了坐标网格。国际 10–20 系统按比例在四个解剖标志之间定义电极位置:鼻根(鼻梁)、枕外隆凸(后脑勺的骨性隆起)以及耳朵正前方的左右耳前点。这种标准化意味着标记为“Cz”的通道在每个实验室中都指的是相同的中央顶区位置,从而使数据集具有直接可比性。
导联定义为每个电极的电压相对于参考电极的测量方式,以及这些双极或参考衍生信号的显示或存储方式,它建立在该物理布局之上。Arnaud Delorme 的研究有力地证明了为什么准确的导联信息在后续分析中至关重要,该研究发现坏通道插值(为数不多能持续提高事件相关电位统计功效的预处理步骤之一)取决于知晓每个电极精确的空间相邻关系。如果没有正确的通道图,此类插值就无法可靠运行。
随后他还补充道,该伪影分类器旨在推广到使用不同通道设置的数据,这进一步印证了分类器的空间特征需要建立在记录详尽的排列基础之上。因此,标准化、如实记录的导联构成了支撑人工解释和算法重用的隐形支架。
选择并记录在线参考
每个 EEG 放大器都记录两点之间的电压差。在在线记录期间,其中一个点是物理参考电极,硬件将其视为固定的基线。
常见的选择包括中央顶区(Cz)、连接的双耳垂或乳突区,或是所有头皮通道的平均值。由于原始数据文件存储的是相对于该原始参考的电压,即使研究人员随后在数学上将信号重参考到另一个公共参考点,该选择也会在数值上留下永久印记。
在 Delorme 上述针对三个公共 EEG 集合测试自动化预处理流程的研究中,他发现参考和高级基线去除方法对性能有显著的负面影响,减少了显示出显著实验效应的通道比例。
这一发现并不意味着绝对不能重参考,但它确实意味着必须在文件头中记录初始的在线参考。只有有了该记录,未来的分析人员才能理解最初减去的是什么基线,并评估后续的任何转换是否可能扭曲真实的大脑反应。
模数转换与采样率
从每个电极流出的连续电压由模数转换器(ADC)转换为离散数值流。ADC 采样的速率决定了所得时间序列的时间颗粒度。
例如,500 Hz 的采样率意味着大脑的电状态每 2 毫秒被捕获一次。根据奈奎斯特(Nyquist)定理,数字化信号中能够真实表示的最高频率小于采样率的一半,因此 500 Hz 的记录可以还原略低于 250 Hz 的频率。研究级 EEG 通常在 250 Hz 到 1000 Hz 之间运行,具体取决于感兴趣的频段。
采样率作为元数据特别重要的原因在于,它会在无形中限制后续深入的分析选择。Fraschini 等人通过测试用于连接性分析提取的数据时间窗——历元(epoch)长度如何改变结果,探讨了这种连锁效应。
该研究使用健康成年人的静息态 EEG 表明,随着历元延长,平均相位滞后指数和幅度包络相关值均有所下降,分别在大约 12 秒和 6 秒后才趋于稳定。甚至根据数据重构的图论网络拓扑结构也会随历元持续时间而变化,不过源水平的最小生成树参数表现得更为稳健。
原始数据记录的核心要点在于,每秒的采样点数设定了时间切分的绝对底线。如果采样率记录错误,随后的每个事件标记、历元边界和连接性估计都会继承该错误。因此,在文件头中记下准确的 ADC 采样率是一项不可妥协的基础工作。
标准数据存储格式:EDF 与 BrainVision
一旦数字化后,时间序列及其附带的元数据必须保存在其他软件和其他实验室都能明确打开的文件格式中。
两种开放格式在这一领域占据主导地位。欧洲数据格式(EDF)是一种紧凑、广泛采用的容器,常见于睡眠研究和临床环境中,它存储多个通道以及指定采样率、通道标签和物理维度的文件头。
BrainVision 是由 Brain Products 开发的格式,将相同的信息分布在三个关联的文件中:列出通道名称、采样率和原始参考的文本文件头(.vhdr);记录事件代码及其潜伏期的标记文件(.vmrk);以及保存原始电压采样的二进制数据文件(.eeg)。
当大型数据集公开共享时,这些标准化格式的价值便得以体现。例如,在2019 年的一项研究中,研究人员发布了一个涵盖来自 54 名受试者的运动想象、事件相关电位和稳态视觉诱发电位的多范式脑机接口(BCI)数据集。如果数据被锁定在专有包装中,那么使用开源分析脚本分发此类资源将毫无意义。
无论文件最终归档为 EDF 还是 BrainVision,该选择都能确保任何研究人员都可以下载记录并复现研究结果,从而将原始追踪数据与整个科学界的复现链联系起来。
特性 | EDF | BrainVision |
|---|---|---|
文件结构 | 单个容器 | 三个关联文件 |
文件头信息 | 文件内部 | .vhdr 文本文件 |
事件标记 | 非独立分开 | .vmrk 文件 |
原始数据 | 在同一文件中 | .eeg 二进制文件 |
必备的基础规范:通道图与采样元数据
只有当原始 EEG 文件对其空间和时间框架带有完整、准确的描述时,它在科学上才具备可用性。这意味着每个通道都必须具有标准标签(即 Fz、C3、O2 等)及其在头皮上的三维坐标。这些坐标支持任何涉及空间关系的后续分析,例如根据相邻电极对坏通道进行插值,或将信号投射到皮层源模型上。
Fraschini 等人的研究依靠空间、频谱和时间特征将 ICA 成分分类为大脑信号或伪影;如果不了解构成每个成分的电极的物理位置,该成分的空间拓扑结构就毫无意义。
同样,Delorme 发现利用相邻电极数值的坏通道插值是少数能够可靠保持实验效应的校正方法之一。插值算法只有在数据集的通道图正确无误的情况下才能进行这种空间推测。
文件头还必须存储精确的采样率、记录日期以及眼电图(眼动)或肌电图(肌肉活动)等任何辅助通道的明确标签。即使这些通道在初始数据探索期间闲置不用,它们的存在也应当保持清晰透明。存储的采样率与实际 ADC 时钟之间的不匹配可能会造成不可逆的时间扭曲,导致日后无法与刺激标记对齐。
临床与研究环境中的 EEG 数据
临床和研究记录遵循相同的核心原则,但直接目的不同。采集临床 EEG 是为了在既定的专业和机构流程下支持患者评估、监测或诊断。采集研究 EEG 通常是为了验证特定假设、比较不同条件或开发分析方法,并配备针对具体研究的方案和文档。
临床工作非常重视及时审查、具有临床意义的导联方式、经过验证的解释以及在适用医疗护理系统内的永久记录。研究工作则更侧重于受控条件、预设结果、可重复性以及对排除情况的透明处理。研究结果并不自动等同于临床发现,临床观察结果也并不自动等同于经过验证的研究指标。
这种区别还影响到数据治理。临床数据可能受到病历义务和直接护理要求的约束,而研究数据集则受到知情同意书用语、机构审查委员会、数据共享计划和研究终点的制约。在这两种环境中,训练有素的解读和认真的文档记录都是必要的,因为 EEG 模式取决于背景环境,而非孤立的数值。
EEG 数据的隐私与伦理考量
EEG 记录可以通过标识符、实验时程信息、临床背景或元数据的组合与个人产生关联。即使波形本身在专业环境之外难以解读,但当它与可识别的受试者关联时,也应作为敏感的人体受试者数据进行处理。数据的收集和重用应与批准的方案和适用的隐私要求保持一致。
知情同意书中应说明记录的目的、预期的分析类型、存储期限、可能的分发共享以及是否允许未来的用途。研究人员应避免暗示 EEG 可以揭示超出研究设计测量范围的内容。当受试者可能误以为研究记录能提供诊断或个体化评估时,清晰的沟通尤为重要。
伦理实践在数据采集后仍需延续。去标识化、受控访问、保留期限、审计跟踪以及对元数据的审慎发布有助于降低风险,但没有任何方法能够完全消除风险。在报告研究结果时不应夸大其预测或诊断意义,自动化分类应被视为需要适当验证的分析输出,而非对个人无可置疑的定论。
为什么原始记录质量为可靠的 EEG 分析奠定基础
单次 EEG 记录是大脑电架构被永久捕获的时刻,并且该原始追踪波形的复杂性已经反映了头皮下方的神经元网络。此处重点提及的神经科学研究传达了一个统一的信息:只要认真对待采集步骤,感兴趣的信号就存在于原始数据本身之中。电极接触质量、准确的通道映射、有据可查的参考和采样率以及开放的存储格式,共同决定了该信号是否能在不同实验室和多年之后依然可用。
最后,克制往往胜过繁琐的处理,因为尽量不对原始数据进行过多改动的研究人员比采用激进校正的研究人员能更好地保留真实的大脑反应。严谨的记录、真实的元数据和最低限度的干扰构成了一种确保科学信号完整性的准则。
因此,每一次值得信赖的分析都不是始于复杂的算法,而是始于捕获忠实、记录详尽的追踪波形这一简单行为。
管理伪影与提高 EEG 数据信号质量
基于 CNN 的高效伪影分类
伪影污染仍然是 EEG 数据分析中的核心挑战,而自动化识别可以简化预处理流程。一项研究提出了一种无需手工特征提取的基于 CNN 的伪影分类架构。研究人员设计了五个卷积神经网络模型,并针对参数效率和计算进行了优化。
他们表现最佳的网络在 17 名受试者和九种伪影类别中达到了 94.17% 的分类准确率。在包含 14 通道 Emotiv Epoc X headset 采集的独立数据集上进行测试时,该模型检测眨眼伪影的准确率达到了 93.5%,这表明轻量级、适于移动设备的网络能够可靠地标记连续多通道记录中的常见污染物。
公开的动作伪影 EEG 数据集
可穿戴 EEG 尤其容易受到动作伪影的影响,然而捕获这些干扰的公开数据集却十分匮乏。为了弥补这一空白,研究人员发布了一个使用 Emotiv Epoc X headset 和 EmotivPRO 软件记录的动作伪影 EEG 数据集。
一名健康受试者完成了一系列上半身、下半身和全身动作——包括眨眼、摇头、说话、行走和坐下——同时存储了 14 通道的 EEG 和 9 个运动传感器信号。作者以 CSV 和 MATLAB 格式提供了数据,为在现实移动条件下测试去噪算法创造了宝贵资源。
从多通道 EEG 中提取集体节律
除了去除伪影外,提高跨多个通道的常见大脑节律的信噪比可以使后续分析更加精准。一项使用 Emotiv Epoc X headset 的研究将主成分分析(PCA)与基于 Kosambi-Hilbert 扭率(KHT)的集体节律提取方法进行了比较。
KHT 方法考虑了通道之间的相位滞后,并专注于特定的频段。在闭眼记录和 15 Hz 闪烁屏幕期间,KHT 为集体信号产生的信噪比高于 PCA,特别是在通道间引入随机时间漂移时更是如此。这一发现表明了相位同步方法在分离消费级 EEG 数据中的共享振荡活动方面的价值。
这些研究共同展示了处理伪影和增强 EEG 数据信号质量的实用方向。它们证明了高效的深度学习模型可以对常见污染物进行分类,专用数据集可以支持针对受动作干扰记录的算法开发,并且具有相位感知能力的信号处理可以增强集体节律。这项工作基于小样本和受控条件,因此所报告的准确率和改进应被视为前景广阔,但尚未能推广到所有人群或记录环境。
参考文献
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
Delorme, A. (2023). EEG is better left alone. Scientific reports, 13(1), 2372. https://doi.org/10.1038/s41598-023-27528-0
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.
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
常见问题解答
EEG 记录究竟捕获了什么,为什么它被认为是大脑活动的反映?
EEG 记录捕获的是头皮处由大量皮层神经元的同步活动所产生的微小电压波动。这些波动主要来自于锥体细胞中的渐变突触后电位,它们通过容积传导发生总和,从而形成了大规模神经同步的模糊但真实的测度。
为什么 EEG 信号源自突触后电位而非动作电位?
动作电位是短暂的全或无事件,对头皮电压的贡献微乎其微,而较慢的渐变突触后电位扩散于树突上并在数千个神经元之间发生总和。这种总和在头皮处产生了可检测到的电压偏转,使得突触后电位成为 EEG 信号的主要来源。
湿电极与干电极有何区别,电极接触质量如何影响记录?
湿电极使用导电凝胶来降低阻抗并改善信号传输,而干电极依靠先进材料和内置的前置放大,在不使用凝胶的情况下保持保真度。电极与皮肤接触面的质量至关重要,因为接触不良会导致环境噪声和动作伪影,从而掩盖微弱的大脑信号。
国际 10–20 系统如何标准化电极放置,为什么它很重要?
10–20 系统在四个解剖标志(鼻根、枕外隆凸以及左右耳前点)之间按比例定义电极位置,从而使标为“Cz”的通道在每个实验室中都指的是相同位置。这种标准化确保了数据集之间具有直接可比性,并支持精确的空间分析,如坏通道插值。
为什么记录 EEG 采集期间使用的在线参考电极至关重要?
原始数据文件存储的是相对于在线参考的电压,因此参考的选择(例如 Cz、连接的双耳垂或平均值)会永久留在数据中,即便日后进行重参考也是如此。如果不记录原始参考,未来的分析人员就无法了解减去的是什么基线,也无法评估后续转换是否会扭曲真实的大脑反应。
采样率在 EEG 记录中起什么作用,奈奎斯特定理如何应用?
采样率决定了数字化信号的时间分辨率,奈奎斯特定理指出,能够被真实表示的最高频率小于采样率的一半。例如,500 Hz 的采样率可以还原略低于 250 Hz 的频率,而研究级 EEG 的运行频率通常在 250 至 1000 Hz 之间。准确的采样率至关重要,因为它限制了所有后续与时间相关的分析。
EEG 的两种主流开放数据格式是什么,它们存储什么内容?
欧洲数据格式(EDF)是一种紧凑的容器,用于存储多通道数据以及指定采样率、通道标签和物理维度的文件头。BrainVision 则将信息分布在三个关联的文件中:文件头(.vhdr)、标记文件(.vmrk)和二进制数据文件(.eeg),所有这些文件共同确保了明确无歧义的共享和可复现性。
为什么原始 EEG 文件必须包含完整的通道图和空间坐标?
带有标准标签和 3D 坐标的通道图支持任何空间分析,例如根据邻近电极对坏通道进行插值或将信号投射到皮层源模型中。例如,伪影分类器依赖于空间拓扑结构,而插值需要知道确切的电极位置;如果没有这些,此类分析就会失败。
EEG 文件头中必须记录哪些关键元数据,为什么?
文件头必须包括精确的采样率、记录日期、带有 3D 坐标的通道标签,以及对 EOG 或 EMG 等辅助通道的明确标签。此信息至关重要,因为不正确的采样率可能会造成不可逆的时间扭曲,而正确的通道图是空间插值和源建模所必需的。
为什么 EEG 对研究很有用?
EEG 提供了非常精细的时间信息,非常适合用于研究事件相关反应、持续节律、睡眠、注意力、感官加工以及其他时间敏感的现象。对其的解读仍取决于实验设计和信号质量。
常见的 EEG 伪影有哪些?
常见的伪影包括眨眼、眼球运动、肌肉活动、电极移动、接触不良、线缆晃动以及电干扰。它们可能会影响单个或多个通道,并可能与感兴趣的科学频段发生重叠。
EEG 分析中的预处理是什么?
预处理是用于准备分析所需记录的一组有据可查的操作流程。它可以包括滤波、重参考、坏通道处理、伪影识别、历元划分、基线校正和质量控制。
Emotiv 是一家神经技术领域的领导者,致力于通过易于获取的 EEG 和脑数据工具推动神经科学研究发展。
医疗免责声明:本网站提供的信息仅用于教育和信息参考目的,不作为医疗或健康建议。这些内容可能包含错误,不应作为做出改变生活的健康、医疗或生活方式选择的依据。如果您对医疗状况或治疗有任何疑问,请始终咨询您的医生或其他合格的健康服务提供者。
克里斯蒂安·布尔戈斯




