腦電信號分析方法及其應用pdf

1. 什麼是腦電波

人的大腦是由數以萬計的神經元組成，腦電波就是神經元之間的活動產生的電信號。通常將電極放置在人的頭皮上來檢測這些信號，經過電子儀器的放大之後，可以在紙袋上劃出波狀的條紋或者用示波器來顯示，記錄了大腦活動時的電波變化。就好像是心電圖機記錄了心臟的電生理活動一樣，可以用來診斷腦部的疾病，比如說癲癇、腦炎等等，或者進行有關思維活動的研究。收集腦電波的時候需要放置多個電機、多個導聯，因為單導聯的腦電波信號確定性較差、隨機性強，而多導聯腦電波信號包含著更多的腦電活動信息，能夠更加准確地反映出大腦活動式的整體信息。

2. 腦電波信號處理MatLab代碼模板，小白看不懂，跪求高手解讀，謝謝……

我解釋下：

data0 = load('Competition_test');%data0是個struct結構，包含X域
A = data0.X;%把X域賦給A
B = A(:,:,1);%取A的第一頁給B
% size(B)%如果前面的「%」去掉，會看到B的大小，可能是100*64
C = zeros(6400,1);%生成全0矩陣，
for i = 1:100
for j = 1:64
C(i*j) = B(i,j,1); % 提取腦電信號
end
end

3. 腦電波頭環與Arino如何造物（內附詳細步驟）

近段時間，我創作大量關於「腦電波頭環+Arino」的相關作品，在DFROBOT平台發布，引發許多創客朋友的關注和留言，希望我能給出詳細具體的案例。現在，我將以腦電波控制RGB燈的為例，並附上詳細具體的操作步驟：

01 主要原理

是根據腦電波信號的不同來控制RGB燈顯示不同的顏色

02 了解腦電波

我們的大腦就是一台永動機，不停向外發射腦電波

腦電波是大腦發出的一種生物電信號，我們的大腦每時每刻都在發射不同的腦電波。 開心或悲傷，專注或放鬆，狀態不同，腦電波信號也不同。 比如，當你專注的想一件事情的時候，這個時候專注力數值就會高，那麼腦電波的頻率也會變高。

當你專注力不集中的時候，那麼專注力的數值就會變低，腦電波的頻率也會變低。所以， 腦電波的信號頻率高低就取決於你是否專注。

03 腦電波與燈控

本案例是根據你的專注力的高低來讓RGB燈顯示不同的顏色，為此，我設置了四個等級：

·專注力小於30就不亮燈；

·專注力30~50，顯示綠燈；

·專注力50~80，顯示藍燈；

·專注力80以上（最高值為100）顯示紅燈。

04 腦電波頭環與實操

用來實現意念控制的意念機（腦電波頭環）

採集、量化並分析腦電波的工具 ——腦電波頭環。 腦電波頭環，含有6顆電極，主要檢測大腦前額的腦電信號以及耳後的腦電波信號，並把數據通過藍牙發送到手機的UDroneAPP，通過APP的演算法處理腦波信號後，再把數據發送給執行設備。

那麼，腦電波如何控制RGB燈呢？

第一步，需要在arino上連接一個4.0以上的藍牙模塊，用於接收腦波信號

第二步，連接RGB燈模塊

第三步，佩戴好頭環後，手機連接頭環，在APP上顯示連接狀態。

第四步，手機APP連接arino的藍牙模塊

最後，在APP上會有關於腦電波的數據，腦電波頭環不僅有專注力數值還有體驗數值，比如頭部抬頭低頭轉頭等動作的指令，還有眨眼和咬牙的狀態，因此，在後期製作arino作品的時候，能呈現更加豐富的展示效果。

另外關於程序是用arinoIDE 上寫的

已經有相關的庫文件，只要直接調用需要的數據即可進行邏輯運算。

那麼效果如何呢？

截止目前為止，我們已用腦電波頭環與Arino控制多個物體，如果你也喜歡腦洞大開，也是Arino的發燒友，我們有相關的文檔，可以免費提供哦！

4. 跪求matlab實現腦電信號的相位同步分析（希爾伯特變換法和復改進小波變換法）

希爾伯特變換 matalb直接可以用的 B=hilbert(A);angle(B) 相位角度

5. 腦機介面技術的BCI關鍵技術

BCI 系統由信號的產生、處理、轉換、輸出以及開關和時鍾等單元組成。在 BCI 技術的發展中 ,信號分析和轉換演算法是其最為重要的研究內容。
源信號的獲取
BCI源信號的獲取過程包括信號的產生、檢測 (電極記錄) 、信號放大、去噪和數字化處理等。人類大腦能夠產生多種信號 ,包括電的、磁的、化學的以及對大腦活動的機械反應等各種形式。這些信號可以通過相應的感測器進行檢測 ,從而使得 BCI 的實施成為可能。 由於對磁和化學等信號的檢測技術需要更高的要求 ,目前 BCI 信號的獲取主要基於技術相對簡單、費用較為低廉的EEG檢測技術 .
信號的產生
根據要獲取的信號的特徵和性質 ,必須採取相應的產生特徵信號的方法。信號產生方式包括利用視覺誘發電位、利用事件相關電位、模擬虛擬環境以及自主控制腦電等多種形式。
信號的檢測
信號的檢測方法依賴於待測神經電信號的性質. 根據電極類型 ,BCI 系統可以分為電極內置式和電極外置式兩種基本形式
信號的處理方法
BCI系統中的信號處理包括信號預處理、特徵提取、識別分類等過程.傳統的腦電信號分析方法是對信號進行多次檢測並進行均值濾波 ,再用統計學的方法尋找 EEG的變化規律. 這種方法信息傳輸率低 ,也不能滿足實時控制的需求. 目前對 EEG信號的處理一般採用對單次訓練信號進行研究. 其中特徵提取 和識別分類是 BCI 信號處理最為關鍵的環節
BCI中的特徵提取方法
特徵提取 就是以特徵信號作為源信號 ,確定各種參數並以此為向量組成表徵信號特徵的特徵向量. 特徵參數包括時域信號(如幅值) 和頻域信號(如頻率) 兩大類 ,相應的特徵提取方法也分為時域法、頻域法和時-頻域方法。
特徵信號的分類識別
特徵信號分類是基於腦電信號根據不同的運動或意識能使腦電活動產生不同響應的特性 ,確定運動或意識的類型與特徵信號之間的關系. 信號分類結果的好壞取決於兩個方面的因素 :一是要進行分類的特徵信號是否具有明顯的特徵 ,即特徵信號的性質；二是分類方法是否有效。幾種具有代表性的 BCI 特徵信號分類綜述如下 ：人工神經網路 ；貝葉斯-卡爾曼濾波；線性判別分析 ；遺傳演算法；概率模型。

6. 如何通過演算法把腦電信號提取出來

1999 年，Birbaumer 等人描述了一個使用腦電信號的腦機介面系統，以及其在殘障人士 身上測試的情況。在他們開創性的工作中，Birbaumer 等人展示了一個身患肌萎縮性(脊髓) 側索硬化(ALS)症病人成功使用BCI 系統控制一個拼寫裝置並與外界交流[望的號碼，該系統 的速度居世界前列，可以達到68bits/min。此外，他們還較為深入的研究了基於運動想像的 腦機介面系統。目前他們的研究所主要從兩方面推進腦機介面的研究：一方面為研究腦機接 口控制過程中的神經機理以實現具有互適應能力的腦機介面演算法；另一方面為研製具有實用 價值的腦機介面裝置。 望輸入的字元。和之前的基於P300 的字元拼寫系統相比，這個系統的通訊速度提高了很 多。奧地利格拉茨科技大學的腦機介面研究小組也是以運動想像為主要實驗模式，實現了多 類在線非同步腦機介面系統，其中的典型代表為神經假肢控制系統。這個系統中實驗者是一名 小兒麻痹症患者，患者的左手手臂不能夠自由抬放，手指不能抓握。實驗中分析識別患者運 動想像時發出的腦電信號，轉化為假肢的控制指令，從而使患者可以實現左手手臂的舉起、 放下、手指的抓緊和松開等動作，從而讓患者實現一定程度的自理。除此之外，該小組還開 發出了其他的腦機介面系統，像多媒體控制、虛擬鍵盤拼寫等[25]。無獨有偶，德國著名的 圖賓根大學的wolpaw 等使用另一種方法設計了一種思想翻譯裝置，通過監測慢皮質電位的變 化來實現對外部設備的控制。系統中通過使用視覺反饋技術實現了字母拼寫的功能。此外， 美國紐約州最全面的州立健康實驗室Wadsworth 中心主要研究如何用從運動感覺皮質測得的 腦電信號控制指針的一維或二維運動[26]。為了便於比較和評估，他們研製了腦機介面-望和 緊張狀態下加強。 θ 波 θ 波的頻率為4~7Hz，波幅范圍為10～40μ V，兩側對稱，顳葉較明顯，一般 睏倦時出現，是中樞神經系統抑制狀態的表現。健康成人腦電圖中僅散在出現少量第 2 章 腦機介面原理和實驗信號採集 θ 波。θ 波是正常兒童腦電圖中主要成分，成人腦電圖中出現θ 波表示為不正常波。θ 波出現與精神狀態有關，在意願受到挫折或抑鬱時易出現，並可持續和病理狀態下θ 波是很 常見的波形。 δ 波 δ 波出現在熟睡、嬰兒及嚴重器質性腦病患者中，幅值在100 微幅左右。 該波只能在皮質內發生，而不受腦的較低級部位神經的控制。 γ 波 γ 波為30～60Hz 頻率范圍內的腦電活動，波幅較低，在額區和前中央區最為明顯。 現在，基於EEG 的腦機介面主要集中在兩個方向[41]：誘發的信號和自發的信號。當某 個異常事件發生後的300ms 左右，將會檢測出一個被叫做P300 的電波峰值；當眼睛受到光或 圖像刺激後，視覺皮層將會產生視覺誘發電位。這兩類信號可以通過誘發產生，並且判斷准 確率較高，但是缺點是需要外界刺激，並且依賴人體本身的某些知覺才能工作。而當某側肢 體運動或者僅僅是想像其運動時同側的腦區產生的事件相關同步電位、通過反饋訓練可以自 主控制的皮層慢電位和自發的阿爾法、貝塔等腦電信號雖然不需要外界刺激，但是需要大量 的特殊訓練和適應過程。

7. 如何從腦電波信號中分析出人的專注度

人的大腦正常運轉時，大腦神經元會釋放神經遞質來進行信息的傳遞，神經元釋放和傳輸神經遞質的過程是一個電化學反應的過程，會產生微弱的腦電流稱為腦電波。與專注力相關的三個波段(THETA分心波、SMR注意力波以及Hi-beta緊張波)，可根據波段長短來分析人的專注度了，注意力學習能力提升網解答。

8. 腦電分析之參數變換

本文首發在Chen Rui Blog( https://7988888.xyz/ )

將參考電極放在什麼位置，才能將才考電極的活性降到最低，獲得最真實的基線（近似於零電位的）信號呢？

一般情況下，參考電極的選擇可以是雙側乳突（連線）平均、耳垂（連線）平均、前額中心電極、鼻尖、下顎、非頭部的胸椎、踝關節和膝蓋等等，也可以將所有頭皮腦電極位置記錄的電壓的平均值作為參考，即平均參考（average reference）。雖然對參考電極位置的爭論是純方法學的，但它也具有非常重要的理論意義。實際上，由於不同的參考位置會對數據記錄產生不同的影響，在同一實驗程序採用不同的參考位置將會產生不同的實驗結果。以鼻尖參考得到的面孔刺激誘發的顳枕區分布的N170顯著高於雙側乳突平均參考的N170，而（Vertex Positive Potential，VPP）則表現為後者更為顯著。由於高級視覺加工（如面孔）往往在枕—顳皮層，以鼻尖作為參考電極比乳突更有利於觀察該區域的認知加工機制。

基於對參考電極的位置、方向與偶極子發生器位置之間的復雜關系及電信號通過頭骨的傳播特性的考慮，Katznelson（1981）認為解決參考電極的最好方式就是對所報告的每一組數據都使用兩種或兩種以上的參考電極模式，並從中確定結果上的相同點，然後進行分析，得出相對可靠的結論。但是，這種方法並未得到廣泛使用。

目前，較為常用的頭部參考是耳垂或雙側乳頭的連線或平均及全腦平均，相對較少使用的是鼻尖和下顎參考。

耳垂或乳突的連線或平均作為參考是將兩個電極的連線或平均作為一個參考信號，這種方法在EEG/ERP的研究中（尤其是視覺和聽覺誘發電位的研究）被廣泛地使用。在這一方法中，耳垂或乳突電極的放置位置相同，即每個參考電極都放置於一側耳垂或耳後的乳突上。然而，在信號放大之前將兩個電極連線接在一起，理論上是強行將兩個信號相等對待。這一缺陷將會產生一個低電阻通道，使得整個頭皮的電壓分布得到改變。因為如果兩個電極的電阻不相同，電流將更易流向其中一方，並將有效的參考位置轉移向電阻更低的位置，因此影響有效的分布並改變了對稱性。實際上，因為皮膚阻抗明顯高於大腦阻抗，這種影響並不嚴重。

相比較而言，選取兩個電極信號的平均數，被認為是比連線法更好的方法，它可避免分布失真。但是，耳垂/乳突平均參考也有其自身缺陷。Goldman (1950) and Katznelson(1981) 研究發現，耳垂/乳突平均參考將臨近腦區的活動作為了基線。由於耳垂/乳突參考臨近顳枕部發生器，所以會對以研究該部位臨近區域為目的的某些特定實驗產生影響，如對高級視覺加工的研究中，大量的發生器被定位於顳枕皮層。當然，在不同的實驗設計中，耳垂/乳突參考是積極有效的。耳垂參考在視覺任務中視覺誘發電位、聽覺誘發電位、體感誘發電位上顯示出了重要的意義。同樣，乳突參考在聽覺誘發電位和體感誘發電位上也是積極有效的。但是，乳突/耳垂平均並不是評估半球形差異的最好選擇，因為它可能降低半球形差異。

標准平均參考近年來被推薦作為進行頭皮電生理研究的指導方針。它是將頭皮記錄的所有腦電電極信號進行平均作為參考電極，其理論依據是頭皮平均數是一個恆常數「零」。但是，無論多精確的平均參考也只是一個理論上接近的零點，且依賴於感測器的數量和位置。從前額或前部信號取得精確的采樣是相對困難的，因為大腦並不是一個真正的球體，所以在大腦上的電極排列也並不能像在球體上一樣完全合適。因此，任何平均都必然更有利於中央和後部、側部和背部位置。此外，相對較少的電極信號參與平均將對平均後的電信號產生更大影響，同時也影響了參考電極與頭皮其他電極之間的相位和振幅關系，使得對已記錄數據的空間特性的解釋變得困難。該影響可通過增加足夠大的電極采樣來改善，如至少20個電極。另有研究者對平均參考提出批評，因為平均參考法可能會產生「ghost potentials」（Desmedt et al., 1990）。事實上，真正意義上的中性電位點的缺乏同樣表現在其他參考電極中，但這對平均參考的影響在電極排列疏鬆並集中在某些孤立區域時尤其顯著。

其他頭部參考的使用相對較少，且實驗環境需要得到一定的控制，如鼻尖記錄可以更好地顯示AEP活動以及MMN的研究，而下額參考在視覺任務中被認為是可行的。然而，這些參考類型都是鄰近顱骨通路的（口、喉嚨、眼窩、鼻竇），在使用時需要注意，因為所產生的低阻抗通路將對電信號的分布特徵產生潛在影響。

總之，沒有對所有實驗環境都適用的完美的參考電極位置。因為不同的實驗室偏愛不同的參考電極位置，且相關的神經系統發生器的位置也仍舊未知，所以了解如何選擇參考電極位置及不同的參考會對數據產生何種影響是非常重要的，其核心在於了解如何根據所選的不同的參考位置來解釋數據結果。

我們所知道，目前，我們所探測的腦電信號是由我們人體自發腦電產生的，所以要記錄下來，那就是測量我們頭皮上的電壓。（電壓是推動電荷定向移動形成電流的原因。電流之所以能夠在導線中流動，也是因為在電流中有著高電勢和低電勢之間的差別。這種差別叫電勢差，也叫電壓。換句話說。在電路中，任意兩點之間的電位差稱為這兩點的電壓。通常用字母V代表電壓。—摘自網路），通過上面的釋義，我們就能知道要記錄到我們頭皮上的電壓，除了貼在大腦部位的單個電極外，就應該還有一個參考電極。在我們日常的電子電路中，我們通常會選擇大地作為參考，所以，它記錄的電壓就是其兩者的電壓差。當然，在我們的腦電設備中也可以以大地作為參考點，但是，這樣記錄下來的腦電信號則是由我們的頭皮上信號和大地的差值，這裡面就記錄到了由我們身體的其它部位產生的電位信號，這樣一來就不能說是測量的大腦產生的電壓信號，更嚴重的接上市電的設備，因為與大地相連，還有可能產生觸電的危險，所以為了避免上述情況，市場上廠商就在放大器電路上建立了一個虛擬地電極，但是建立的虛擬地電極也不是絕對的零電位點，在測量信號時，這個虛擬的地電極也會產生信號，這個信號就是影響到測量的數據。所以為了更精確採集到數據，於是就引用的另一個電極做為參考點。所以，現在市場上的腦電放大器均是採用的差動放大器。不知道你有沒有明白，我們就通過數學公式進行線性的變換就知道，假設GND的電壓A，ref的電壓B，單個電極的電壓C，所以我們在記錄的數據就應該是，（C-A）-（B-A）= C-B ，所以我們其實記錄的數據時測量的單個電極與參考電極的差值。這樣我們就消除了GND電極帶來的信號干擾。所以目前說的最多的就是ref參考點的選取。在不同實驗中，參考點ref的選取位置也是會對你的實驗有一定的影響。

現有電極帽都是以頭頂或鼻尖做為參考電極，而實際分析ERP波形時，大部分都是根據雙側乳突TP9,TP10（BP的電極帽TP9相當於A1，TP10相當A2）作為參考電極，所以根據實際需要進行更換參考電極。

在「Transformations」下拉菜單「Channel Preprocessing」 中選擇「New Reference」，按以下彈出窗口操作：

若選擇復選框，則會將原始參考電極一起做平均，一般為不選。

選擇要做重參考的電極，若選擇復選框，將保留沒有做參考的電極點。

提示是否進行新命名，一般不進行，最後點擊完成。

在eeglab分析軟體中，也是同樣操作方便。首先打開eeglab，導入數據，導入channel locations，然後在Tools下拉菜單中選擇Re-reference，就會彈出界面

本文首發在braintechnology公眾號，如有疑問及建議，可聯系郵箱 [email protected]

博客地址 ： Chen Rui Blog

知乎地址 : 知乎專欄

B站地址 : B站主頁
書店地址 : 書店主頁
網易雲音樂地址 : 音樂主頁

9. 腦電波是什麼

腦電波是一種使用電生理指標記錄大腦活動得方法，大腦在活動時，大量神經元同步發生的突觸後電位經總和後形成的。

腦電波是一些自發的有節律的神經電活動，其頻率變動范圍在每秒1－30次之間的，可劃分為四個波段，即δ（1－3Hz）、θ（4－7Hz）、α（8－13Hz）、β（14－30Hz）。

1、δ波：頻率為1～3Hz，幅度為20～200μV。當人在嬰兒期或智力發育不成熟、成年人在極度疲勞和昏睡或麻醉狀態下，可在顳葉和頂葉記錄到這種波段。

2、θ波：頻率為4～7Hz，幅度為5～20μV。在成年人意願受挫或者抑鬱以及精神病患者中這種波極為顯著。但此波為少年（10－17歲）的腦電圖中的主要成分。

3、α波：頻率為8～13Hz（平均數為10Hz），幅度為20～100μV。它是正常人腦電波的基本節律，如果沒有外加的刺激，其頻率是相當恆定的。人在清醒、安靜並閉眼時該節律最為明顯，睜開眼睛（受到光刺激）或接受其它刺激時，α波即刻消失。

4、β波：頻率為14～30Hz，幅度為100～150μV。當精神緊張和情緒激動或亢奮時出現此波，當人從噩夢中驚醒時，原來的慢波節律可立即被該節律所替代。

(9)腦電信號分析方法及其應用pdf擴展閱讀：

大腦電波分為左右兩部分：左腦負責數字、語言、邏輯及分析；右腦負責音樂、美術、想像、創造等。

左腦電波的天然頻率是BeTA，而右腦電波的天然頻率是Alpha。

成年人一般只用左腦思考，而忽略右腦，故腦電波以BeTA為主。

7～14歲的小孩子則不同，他們較多用右腦思考，故腦電波以AlphA為主。這時的兒童，愛好音樂、顏色、美術、想像及創作等活動。但隨著他們年齡增長及教育制度的使然，大腦的思考活動會逐漸轉到左腦去，腦電波亦跟著加快到BeTA。