一、神经信号基础与数据采集
说实话，做深度学习与神经信号融合这几年，我最大的感触就是——信号采集的质量，直接决定了你后面所有算法的天花板。模型再花哨，数据是脏的，结果就是白搭。今天咱们就从最基础的开始聊，把EEG和EMG这些信号的底子摸清楚。
1.1 脑电图（EEG）的生理基础
EEG测的是什么？说白了，就是大脑皮层神经元的突触后电位。不是单个神经元放电，而是成千上万个神经元同步活动产生的电场变化。我刚开始接触时总以为EEG能测到单个神经元，后来被导师一句话点醒——「你想想看，头皮离皮层有多远？中间隔着脑膜、颅骨、头皮，能测到群体信号就不错了」。
EEG信号有几个关键特征，我习惯用一张表来总结：
| 节律类型 | 频率范围 | 振幅范围 | 典型状态 |
|---|---|---|---|
| δ波 | 0.5–4 Hz | 20–200 μV | 深度睡眠 |
| θ波 | 4–8 Hz | 10–50 μV | 困倦、冥想 |
| α波 | 8–13 Hz | 20–60 μV | 放松、闭眼 |
| β波 | 13–30 Hz | 5–20 μV | 专注、思考 |
| γ波 | >30 Hz | <10 μV | 高级认知 |
这里有个坑，我必须要提醒你——振幅不是绝对的。我在项目中遇到过，同一个受试者，不同时间测出来的α波振幅能差两倍。为什么？电极接触阻抗、皮肤状态、甚至当天有没有喝咖啡都有影响。所以做深度学习时，千万别把原始振幅直接当特征喂进去，归一化是必须的。
1.2 肌电图（EMG）的采集原理
EMG和EEG不太一样。EEG是测场电位，EMG测的是动作电位。说白了，肌肉收缩时，运动单位会放电，这个电信号传到皮肤表面，就是表面EMG。
我个人习惯把EMG分成两类：
- 针电极EMG：侵入式，精度高，但疼。临床诊断用得多。
- 表面EMG（sEMG）：非侵入式，方便，但信号弱。我们做深度学习算法，99%的情况用这个。
表面EMG的频率范围一般在10–500 Hz，振幅在0.1–5 mV。嗯，这里要注意——EMG的振幅比EEG大得多，但噪声也大。我做过一个手势识别项目，一开始直接用原始EMG训练，准确率只有60%。后来加了带通滤波（20–450 Hz）和陷波滤波（50 Hz工频），准确率直接跳到85%。
核心经验：EMG信号处理，滤波比模型更重要。先把工频干扰干掉，再谈深度学习。
1.3 电极放置标准：10-20系统
做EEG采集，电极放哪儿是有规矩的。最经典的就是10-20系统。名字怎么来的？因为电极之间的距离是颅骨前后或左右总长的10%或20%。
我画了一张图，帮你快速理解这个布局逻辑：
字母代表脑区：F是额叶，C是中央区，P是顶叶，T是颞叶，O是枕叶。数字呢？奇数在左，偶数在右，z代表中线。这个命名规则，你记住了，后面看论文就不会晕。
小技巧：做实验时，我习惯先定位Cz（头顶中央），再以此为基准量其他位置。Cz特别好找——两耳连线与鼻根到枕骨隆突连线的交点，就是它。
1.4 信号的基本特征与采集要点
聊完生理基础和电极，咱们说说信号本身。EEG和EMG有几个共同特征，但也有明显区别：
- 频率特性：EEG主要在0.5–50 Hz，EMG在10–500 Hz。所以采样率不一样——EEG用250–500 Hz就够了，EMG至少1000 Hz起步。
- 振幅范围：EEG是μV级，EMG是mV级。差了一个数量级。如果你同时采集EEG和EMG，一定要分通道放大，不然EEG会被EMG淹没。
- 噪声来源：EEG最怕眼动和肌电伪迹，EMG最怕工频干扰和运动伪迹。
我记得有一次做运动想象分类，受试者一眨眼，EEG信号就出现一个巨大的尖峰。一开始我以为是脑电特征，后来发现是眼电伪迹。怎么处理的？用独立成分分析（ICA）把眼电成分去掉。这个后面会详细讲，你先有个印象。
警告：千万不要在采集时让受试者频繁眨眼或咬牙。我见过一个数据集，30%的样本都被肌电污染了，最后只能扔掉。采集前跟受试者说清楚——「放松，别动，别眨眼」。
1.5 采集流程与实操建议
最后，我分享一下自己总结的采集流程。你照着做，能少踩很多坑：
- 皮肤准备：用酒精棉擦拭电极位置，去除油脂。阻抗控制在5 kΩ以下。
- 电极放置：按10-20系统定位，用导电膏固定。别省导电膏，接触不好信号全是噪声。
- 阻抗检查：每个电极测一遍阻抗。我习惯用脑电帽自带的阻抗检测功能，超过10 kΩ就重新处理。
- 基线采集：让受试者闭眼放松1分钟，记录基线。后面做预处理时，基线漂移去除就靠这段数据。
- 任务采集：按实验范式采集。注意标记事件——每个trial的开始和结束都要打marker，不然后面分段都分不了。
嗯，基本就这些。信号采集是深度学习的基础，地基打不牢，楼盖得再高也得塌。下一节咱们会聊预处理，到时候你会发现——采集时多花10分钟，预处理能省2小时。