脑电信号分析方法及其应用pdf

1. 什么是脑电波

人的大脑是由数以万计的神经元组成，脑电波就是神经元之间的活动产生的电信号。通常将电极放置在人的头皮上来检测这些信号，经过电子仪器的放大之后，可以在纸袋上划出波状的条纹或者用示波器来显示，记录了大脑活动时的电波变化。就好像是心电图机记录了心脏的电生理活动一样，可以用来诊断脑部的疾病，比如说癫痫、脑炎等等，或者进行有关思维活动的研究。收集脑电波的时候需要放置多个电机、多个导联，因为单导联的脑电波信号确定性较差、随机性强，而多导联脑电波信号包含着更多的脑电活动信息，能够更加准确地反映出大脑活动式的整体信息。

2. 脑电波信号处理MatLab代码模板，小白看不懂，跪求高手解读，谢谢……

我解释下：

data0 = load('Competition_test');%data0是个struct结构，包含X域
A = data0.X;%把X域赋给A
B = A(:,:,1);%取A的第一页给B
% size(B)%如果前面的“%”去掉，会看到B的大小，可能是100*64
C = zeros(6400,1);%生成全0矩阵，
for i = 1:100
for j = 1:64
C(i*j) = B(i,j,1); % 提取脑电信号
end
end

3. 脑电波头环与Arino如何造物（内附详细步骤）

近段时间，我创作大量关于“脑电波头环+Arino”的相关作品，在DFROBOT平台发布，引发许多创客朋友的关注和留言，希望我能给出详细具体的案例。现在，我将以脑电波控制RGB灯的为例，并附上详细具体的操作步骤：

01 主要原理

是根据脑电波信号的不同来控制RGB灯显示不同的颜色

02 了解脑电波

我们的大脑就是一台永动机，不停向外发射脑电波

脑电波是大脑发出的一种生物电信号，我们的大脑每时每刻都在发射不同的脑电波。 开心或悲伤，专注或放松，状态不同，脑电波信号也不同。 比如，当你专注的想一件事情的时候，这个时候专注力数值就会高，那么脑电波的频率也会变高。

当你专注力不集中的时候，那么专注力的数值就会变低，脑电波的频率也会变低。所以， 脑电波的信号频率高低就取决于你是否专注。

03 脑电波与灯控

本案例是根据你的专注力的高低来让RGB灯显示不同的颜色，为此，我设置了四个等级：

·专注力小于30就不亮灯；

·专注力30~50，显示绿灯；

·专注力50~80，显示蓝灯；

·专注力80以上（最高值为100）显示红灯。

04 脑电波头环与实操

用来实现意念控制的意念机（脑电波头环）

采集、量化并分析脑电波的工具 ——脑电波头环。 脑电波头环，含有6颗电极，主要检测大脑前额的脑电信号以及耳后的脑电波信号，并把数据通过蓝牙发送到手机的UDroneAPP，通过APP的算法处理脑波信号后，再把数据发送给执行设备。

那么，脑电波如何控制RGB灯呢？

第一步，需要在arino上连接一个4.0以上的蓝牙模块，用于接收脑波信号

第二步，连接RGB灯模块

第三步，佩戴好头环后，手机连接头环，在APP上显示连接状态。

第四步，手机APP连接arino的蓝牙模块

最后，在APP上会有关于脑电波的数据，脑电波头环不仅有专注力数值还有体验数值，比如头部抬头低头转头等动作的指令，还有眨眼和咬牙的状态，因此，在后期制作arino作品的时候，能呈现更加丰富的展示效果。

另外关于程序是用arinoIDE 上写的

已经有相关的库文件，只要直接调用需要的数据即可进行逻辑运算。

那么效果如何呢？

截止目前为止，我们已用脑电波头环与Arino控制多个物体，如果你也喜欢脑洞大开，也是Arino的发烧友，我们有相关的文档，可以免费提供哦！

4. 跪求matlab实现脑电信号的相位同步分析（希尔伯特变换法和复改进小波变换法）

希尔伯特变换 matalb直接可以用的 B=hilbert(A);angle(B) 相位角度

5. 脑机接口技术的BCI关键技术

BCI 系统由信号的产生、处理、转换、输出以及开关和时钟等单元组成。在 BCI 技术的发展中 ,信号分析和转换算法是其最为重要的研究内容。
源信号的获取
BCI源信号的获取过程包括信号的产生、检测 (电极记录) 、信号放大、去噪和数字化处理等。人类大脑能够产生多种信号 ,包括电的、磁的、化学的以及对大脑活动的机械反应等各种形式。这些信号可以通过相应的传感器进行检测 ,从而使得 BCI 的实施成为可能。 由于对磁和化学等信号的检测技术需要更高的要求 ,目前 BCI 信号的获取主要基于技术相对简单、费用较为低廉的EEG检测技术 .
信号的产生
根据要获取的信号的特征和性质 ,必须采取相应的产生特征信号的方法。信号产生方式包括利用视觉诱发电位、利用事件相关电位、模拟虚拟环境以及自主控制脑电等多种形式。
信号的检测
信号的检测方法依赖于待测神经电信号的性质. 根据电极类型 ,BCI 系统可以分为电极内置式和电极外置式两种基本形式
信号的处理方法
BCI系统中的信号处理包括信号预处理、特征提取、识别分类等过程.传统的脑电信号分析方法是对信号进行多次检测并进行均值滤波 ,再用统计学的方法寻找 EEG的变化规律. 这种方法信息传输率低 ,也不能满足实时控制的需求. 目前对 EEG信号的处理一般采用对单次训练信号进行研究. 其中特征提取 和识别分类是 BCI 信号处理最为关键的环节
BCI中的特征提取方法
特征提取 就是以特征信号作为源信号 ,确定各种参数并以此为向量组成表征信号特征的特征向量. 特征参数包括时域信号(如幅值) 和频域信号(如频率) 两大类 ,相应的特征提取方法也分为时域法、频域法和时-频域方法。
特征信号的分类识别
特征信号分类是基于脑电信号根据不同的运动或意识能使脑电活动产生不同响应的特性 ,确定运动或意识的类型与特征信号之间的关系. 信号分类结果的好坏取决于两个方面的因素 :一是要进行分类的特征信号是否具有明显的特征 ,即特征信号的性质；二是分类方法是否有效。几种具有代表性的 BCI 特征信号分类综述如下 ：人工神经网络 ；贝叶斯-卡尔曼滤波；线性判别分析 ；遗传算法；概率模型。

6. 如何通过算法把脑电信号提取出来

1999 年，Birbaumer 等人描述了一个使用脑电信号的脑机接口系统，以及其在残障人士 身上测试的情况。在他们开创性的工作中，Birbaumer 等人展示了一个身患肌萎缩性(脊髓) 侧索硬化(ALS)症病人成功使用BCI 系统控制一个拼写装置并与外界交流[望的号码，该系统 的速度居世界前列，可以达到68bits/min。此外，他们还较为深入的研究了基于运动想象的 脑机接口系统。目前他们的研究所主要从两方面推进脑机接口的研究：一方面为研究脑机接 口控制过程中的神经机理以实现具有互适应能力的脑机接口算法；另一方面为研制具有实用 价值的脑机接口装置。 望输入的字符。和之前的基于P300 的字符拼写系统相比，这个系统的通讯速度提高了很 多。奥地利格拉茨科技大学的脑机接口研究小组也是以运动想象为主要实验模式，实现了多 类在线异步脑机接口系统，其中的典型代表为神经假肢控制系统。这个系统中实验者是一名 小儿麻痹症患者，患者的左手手臂不能够自由抬放，手指不能抓握。实验中分析识别患者运 动想象时发出的脑电信号，转化为假肢的控制指令，从而使患者可以实现左手手臂的举起、 放下、手指的抓紧和松开等动作，从而让患者实现一定程度的自理。除此之外，该小组还开 发出了其他的脑机接口系统，像多媒体控制、虚拟键盘拼写等[25]。无独有偶，德国着名的 图宾根大学的wolpaw 等使用另一种方法设计了一种思想翻译装置，通过监测慢皮质电位的变 化来实现对外部设备的控制。系统中通过使用视觉反馈技术实现了字母拼写的功能。此外， 美国纽约州最全面的州立健康实验室Wadsworth 中心主要研究如何用从运动感觉皮质测得的 脑电信号控制指针的一维或二维运动[26]。为了便于比较和评估，他们研制了脑机接口-望和 紧张状态下加强。 θ 波 θ 波的频率为4~7Hz，波幅范围为10～40μ V，两侧对称，颞叶较明显，一般 困倦时出现，是中枢神经系统抑制状态的表现。健康成人脑电图中仅散在出现少量第 2 章 脑机接口原理和实验信号采集 θ 波。θ 波是正常儿童脑电图中主要成分，成人脑电图中出现θ 波表示为不正常波。θ 波出现与精神状态有关，在意愿受到挫折或抑郁时易出现，并可持续和病理状态下θ 波是很 常见的波形。 δ 波 δ 波出现在熟睡、婴儿及严重器质性脑病患者中，幅值在100 微幅左右。 该波只能在皮质内发生，而不受脑的较低级部位神经的控制。 γ 波 γ 波为30～60Hz 频率范围内的脑电活动，波幅较低，在额区和前中央区最为明显。 现在，基于EEG 的脑机接口主要集中在两个方向[41]：诱发的信号和自发的信号。当某 个异常事件发生后的300ms 左右，将会检测出一个被叫做P300 的电波峰值；当眼睛受到光或 图像刺激后，视觉皮层将会产生视觉诱发电位。这两类信号可以通过诱发产生，并且判断准 确率较高，但是缺点是需要外界刺激，并且依赖人体本身的某些知觉才能工作。而当某侧肢 体运动或者仅仅是想象其运动时同侧的脑区产生的事件相关同步电位、通过反馈训练可以自 主控制的皮层慢电位和自发的阿尔法、贝塔等脑电信号虽然不需要外界刺激，但是需要大量 的特殊训练和适应过程。

7. 如何从脑电波信号中分析出人的专注度

人的大脑正常运转时，大脑神经元会释放神经递质来进行信息的传递，神经元释放和传输神经递质的过程是一个电化学反应的过程，会产生微弱的脑电流称为脑电波。与专注力相关的三个波段(THETA分心波、SMR注意力波以及Hi-beta紧张波)，可根据波段长短来分析人的专注度了，注意力学习能力提升网解答。

8. 脑电分析之参数变换

本文首发在Chen Rui Blog( https://7988888.xyz/ )

将参考电极放在什么位置，才能将才考电极的活性降到最低，获得最真实的基线（近似于零电位的）信号呢？

一般情况下，参考电极的选择可以是双侧乳突（连线）平均、耳垂（连线）平均、前额中心电极、鼻尖、下颚、非头部的胸椎、踝关节和膝盖等等，也可以将所有头皮脑电极位置记录的电压的平均值作为参考，即平均参考（average reference）。虽然对参考电极位置的争论是纯方法学的，但它也具有非常重要的理论意义。实际上，由于不同的参考位置会对数据记录产生不同的影响，在同一实验程序采用不同的参考位置将会产生不同的实验结果。以鼻尖参考得到的面孔刺激诱发的颞枕区分布的N170显着高于双侧乳突平均参考的N170，而（Vertex Positive Potential，VPP）则表现为后者更为显着。由于高级视觉加工（如面孔）往往在枕—颞皮层，以鼻尖作为参考电极比乳突更有利于观察该区域的认知加工机制。

基于对参考电极的位置、方向与偶极子发生器位置之间的复杂关系及电信号通过头骨的传播特性的考虑，Katznelson（1981）认为解决参考电极的最好方式就是对所报告的每一组数据都使用两种或两种以上的参考电极模式，并从中确定结果上的相同点，然后进行分析，得出相对可靠的结论。但是，这种方法并未得到广泛使用。

目前，较为常用的头部参考是耳垂或双侧乳头的连线或平均及全脑平均，相对较少使用的是鼻尖和下颚参考。

耳垂或乳突的连线或平均作为参考是将两个电极的连线或平均作为一个参考信号，这种方法在EEG/ERP的研究中（尤其是视觉和听觉诱发电位的研究）被广泛地使用。在这一方法中，耳垂或乳突电极的放置位置相同，即每个参考电极都放置于一侧耳垂或耳后的乳突上。然而，在信号放大之前将两个电极连线接在一起，理论上是强行将两个信号相等对待。这一缺陷将会产生一个低电阻通道，使得整个头皮的电压分布得到改变。因为如果两个电极的电阻不相同，电流将更易流向其中一方，并将有效的参考位置转移向电阻更低的位置，因此影响有效的分布并改变了对称性。实际上，因为皮肤阻抗明显高于大脑阻抗，这种影响并不严重。

相比较而言，选取两个电极信号的平均数，被认为是比连线法更好的方法，它可避免分布失真。但是，耳垂/乳突平均参考也有其自身缺陷。Goldman (1950) and Katznelson(1981) 研究发现，耳垂/乳突平均参考将临近脑区的活动作为了基线。由于耳垂/乳突参考临近颞枕部发生器，所以会对以研究该部位临近区域为目的的某些特定实验产生影响，如对高级视觉加工的研究中，大量的发生器被定位于颞枕皮层。当然，在不同的实验设计中，耳垂/乳突参考是积极有效的。耳垂参考在视觉任务中视觉诱发电位、听觉诱发电位、体感诱发电位上显示出了重要的意义。同样，乳突参考在听觉诱发电位和体感诱发电位上也是积极有效的。但是，乳突/耳垂平均并不是评估半球形差异的最好选择，因为它可能降低半球形差异。

标准平均参考近年来被推荐作为进行头皮电生理研究的指导方针。它是将头皮记录的所有脑电电极信号进行平均作为参考电极，其理论依据是头皮平均数是一个恒常数“零”。但是，无论多精确的平均参考也只是一个理论上接近的零点，且依赖于传感器的数量和位置。从前额或前部信号取得精确的采样是相对困难的，因为大脑并不是一个真正的球体，所以在大脑上的电极排列也并不能像在球体上一样完全合适。因此，任何平均都必然更有利于中央和后部、侧部和背部位置。此外，相对较少的电极信号参与平均将对平均后的电信号产生更大影响，同时也影响了参考电极与头皮其他电极之间的相位和振幅关系，使得对已记录数据的空间特性的解释变得困难。该影响可通过增加足够大的电极采样来改善，如至少20个电极。另有研究者对平均参考提出批评，因为平均参考法可能会产生“ghost potentials”（Desmedt et al., 1990）。事实上，真正意义上的中性电位点的缺乏同样表现在其他参考电极中，但这对平均参考的影响在电极排列疏松并集中在某些孤立区域时尤其显着。

其他头部参考的使用相对较少，且实验环境需要得到一定的控制，如鼻尖记录可以更好地显示AEP活动以及MMN的研究，而下额参考在视觉任务中被认为是可行的。然而，这些参考类型都是邻近颅骨通路的（口、喉咙、眼窝、鼻窦），在使用时需要注意，因为所产生的低阻抗通路将对电信号的分布特征产生潜在影响。

总之，没有对所有实验环境都适用的完美的参考电极位置。因为不同的实验室偏爱不同的参考电极位置，且相关的神经系统发生器的位置也仍旧未知，所以了解如何选择参考电极位置及不同的参考会对数据产生何种影响是非常重要的，其核心在于了解如何根据所选的不同的参考位置来解释数据结果。

我们所知道，目前，我们所探测的脑电信号是由我们人体自发脑电产生的，所以要记录下来，那就是测量我们头皮上的电压。（电压是推动电荷定向移动形成电流的原因。电流之所以能够在导线中流动，也是因为在电流中有着高电势和低电势之间的差别。这种差别叫电势差，也叫电压。换句话说。在电路中，任意两点之间的电位差称为这两点的电压。通常用字母V代表电压。—摘自网络），通过上面的释义，我们就能知道要记录到我们头皮上的电压，除了贴在大脑部位的单个电极外，就应该还有一个参考电极。在我们日常的电子电路中，我们通常会选择大地作为参考，所以，它记录的电压就是其两者的电压差。当然，在我们的脑电设备中也可以以大地作为参考点，但是，这样记录下来的脑电信号则是由我们的头皮上信号和大地的差值，这里面就记录到了由我们身体的其它部位产生的电位信号，这样一来就不能说是测量的大脑产生的电压信号，更严重的接上市电的设备，因为与大地相连，还有可能产生触电的危险，所以为了避免上述情况，市场上厂商就在放大器电路上建立了一个虚拟地电极，但是建立的虚拟地电极也不是绝对的零电位点，在测量信号时，这个虚拟的地电极也会产生信号，这个信号就是影响到测量的数据。所以为了更精确采集到数据，于是就引用的另一个电极做为参考点。所以，现在市场上的脑电放大器均是采用的差动放大器。不知道你有没有明白，我们就通过数学公式进行线性的变换就知道，假设GND的电压A，ref的电压B，单个电极的电压C，所以我们在记录的数据就应该是，（C-A）-（B-A）= C-B ，所以我们其实记录的数据时测量的单个电极与参考电极的差值。这样我们就消除了GND电极带来的信号干扰。所以目前说的最多的就是ref参考点的选取。在不同实验中，参考点ref的选取位置也是会对你的实验有一定的影响。

现有电极帽都是以头顶或鼻尖做为参考电极，而实际分析ERP波形时，大部分都是根据双侧乳突TP9,TP10（BP的电极帽TP9相当于A1，TP10相当A2）作为参考电极，所以根据实际需要进行更换参考电极。

在“Transformations”下拉菜单“Channel Preprocessing” 中选择“New Reference”，按以下弹出窗口操作：

若选择复选框，则会将原始参考电极一起做平均，一般为不选。

选择要做重参考的电极，若选择复选框，将保留没有做参考的电极点。

提示是否进行新命名，一般不进行，最后点击完成。

在eeglab分析软件中，也是同样操作方便。首先打开eeglab，导入数据，导入channel locations，然后在Tools下拉菜单中选择Re-reference，就会弹出界面

本文首发在braintechnology公众号，如有疑问及建议，可联系邮箱 [email protected]

博客地址 ： Chen Rui Blog

知乎地址 : 知乎专栏

B站地址 : B站主页
书店地址 : 书店主页
网易云音乐地址 : 音乐主页

9. 脑电波是什么

脑电波是一种使用电生理指标记录大脑活动得方法，大脑在活动时，大量神经元同步发生的突触后电位经总和后形成的。

脑电波是一些自发的有节律的神经电活动，其频率变动范围在每秒1－30次之间的，可划分为四个波段，即δ（1－3Hz）、θ（4－7Hz）、α（8－13Hz）、β（14－30Hz）。

1、δ波：频率为1～3Hz，幅度为20～200μV。当人在婴儿期或智力发育不成熟、成年人在极度疲劳和昏睡或麻醉状态下，可在颞叶和顶叶记录到这种波段。

2、θ波：频率为4～7Hz，幅度为5～20μV。在成年人意愿受挫或者抑郁以及精神病患者中这种波极为显着。但此波为少年（10－17岁）的脑电图中的主要成分。

3、α波：频率为8～13Hz（平均数为10Hz），幅度为20～100μV。它是正常人脑电波的基本节律，如果没有外加的刺激，其频率是相当恒定的。人在清醒、安静并闭眼时该节律最为明显，睁开眼睛（受到光刺激）或接受其它刺激时，α波即刻消失。

4、β波：频率为14～30Hz，幅度为100～150μV。当精神紧张和情绪激动或亢奋时出现此波，当人从噩梦中惊醒时，原来的慢波节律可立即被该节律所替代。

(9)脑电信号分析方法及其应用pdf扩展阅读：

大脑电波分为左右两部分：左脑负责数字、语言、逻辑及分析；右脑负责音乐、美术、想象、创造等。

左脑电波的天然频率是BeTA，而右脑电波的天然频率是Alpha。

成年人一般只用左脑思考，而忽略右脑，故脑电波以BeTA为主。

7～14岁的小孩子则不同，他们较多用右脑思考，故脑电波以AlphA为主。这时的儿童，爱好音乐、颜色、美术、想象及创作等活动。但随着他们年龄增长及教育制度的使然，大脑的思考活动会逐渐转到左脑去，脑电波亦跟着加快到BeTA。