1、神经信号基础：从生物电到深度学习
大家好，我是你们这门课的老朋友。今天咱们正式开篇，聊聊神经信号到底是个啥玩意儿。
说实话，我刚开始接触这个领域的时候，也是一头雾水。什么动作电位、局部电位，听着就头大。但后来我发现，搞懂这些基础，就像学编程先学变量类型一样——绕不过去，但也没那么可怕。
1.1 什么是神经信号？
神经信号，说白了就是神经元之间传递信息的电活动。你想想看，我们的大脑里有大约860亿个神经元，它们靠什么交流？靠电信号和化学信号。
我习惯把神经信号比作一个「电报系统」。神经元就是发报员，轴突就是电线，突触就是中转站。电信号沿着轴突跑，到了突触就变成化学信号，跨过缝隙，再变成电信号传给下一个神经元。
这个过程，本质上就是离子在细胞膜内外的流动。钠离子、钾离子、钙离子，这些小家伙的进出，造就了我们能测到的所有神经信号。
核心要点：神经信号是神经元电活动的总和，是大脑信息处理的基本载体。没有它，就没有感知、运动、记忆，更谈不上深度学习。
1.2 动作电位与局部电位
这里有两个概念，我当年花了很长时间才真正搞明白——动作电位和局部电位。
动作电位：神经元的「全有或全无」
动作电位，就是神经元发放的一个「脉冲」。它的特点是：要么不触发，一旦触发就是最大幅度。这就是所谓的「全有或全无」定律。
我在项目中遇到过一个问题：采集到的信号里有很多尖峰，一开始我以为是噪声，后来才发现是多个神经元同时发放了动作电位。嗯，这里要注意，动作电位的幅度通常在100mV左右，持续时间只有1-2毫秒。
动作电位的过程大致分几步：
- 静息期：膜电位维持在-70mV左右，钠通道关闭，钾通道微开
- 去极化：刺激达到阈值（约-55mV），钠通道大量打开，钠离子涌入
- 复极化：钠通道失活，钾通道打开，钾离子外流
- 超极化：钾通道关闭慢，膜电位短暂低于静息电位
我的经验：做动作电位检测时，采样率至少要设到10kHz以上。我曾经用2kHz去采，结果动作电位波形完全变形，根本没法做spike sorting。血的教训。
局部电位：模拟信号的「渐变」
局部电位和动作电位正好相反。它是渐变的，幅度可大可小，传播距离短，会随着距离衰减。
说白了，局部电位就是神经元在「犹豫」要不要发放动作电位时的电活动。它发生在树突和胞体上，是突触后电位的总和。
局部电位有几个特点：
- 幅度小（0.1-10mV）
- 没有阈值
- 可以叠加（时间叠加和空间叠加）
- 衰减传播
你想想看，如果动作电位是数字信号（0或1），那局部电位就是模拟信号（连续变化）。深度学习里处理EEG，其实处理的就是大量局部电位的总和。
1.3 脑电信号(EEG)的起源与节律
EEG，脑电图，是我们做神经信号深度学习最常用的数据来源。它记录的是头皮上大量神经元同步放电的总和。
EEG的起源，说白了就是皮层锥体神经元的突触后电位。这些神经元排列整齐，它们的电活动叠加起来，就能被头皮上的电极捕捉到。
但注意，EEG信号非常微弱，只有微伏级别。我刚开始做EEG实验时，总怀疑设备是不是坏了——怎么信号这么小？后来才知道，这就是正常的。
EEG的主要节律
EEG信号可以按频率分成几个节律，每个节律对应不同的脑功能状态：
| 节律 | 频率范围 | 主要特征 | 常见状态 |
|---|---|---|---|
| Delta (δ) | 0.5-4 Hz | 高幅慢波 | 深度睡眠 |
| Theta (θ) | 4-8 Hz | 中等幅度 | 困倦、冥想、记忆编码 |
| Alpha (α) | 8-13 Hz | 枕区明显，闭眼增强 | 放松、闭眼休息 |
| Beta (β) | 13-30 Hz | 低幅快波 | 专注、思考、运动 |
| Gamma (γ) | 30-100 Hz | 极低幅度 | 高级认知、意识 |
避坑指南：我曾经在分析EEG数据时，直接用了50Hz陷波滤波就以为万事大吉。结果发现Gamma频段的数据全是工频干扰的谐波。后来我改用自适应滤波，才把真正的神经信号分离出来。记住，工频干扰不只是50Hz，它的谐波会污染多个频段。
1.4 神经信号采集的基本原理
采集神经信号，说白了就是把生物电信号变成我们能处理的数字信号。这个过程涉及几个关键环节。
电极：从头皮到神经元的桥梁
电极是采集的第一步。不同类型的电极，采集的信号也不同：
- 头皮EEG电极：无创，采集的是大量神经元的总和信号，空间分辨率低
- 皮层脑电(ECoG)电极：开颅放置，信号质量好，空间分辨率中等
- 微电极阵列：植入脑内，能记录单个神经元的活动，空间分辨率最高
我建议初学者先从头皮EEG入手。虽然信号质量差一些，但无创、安全、容易上手。等你把预处理和特征提取搞明白了，再考虑更高级的采集方式。
信号链：从模拟到数字
一个典型的神经信号采集链是这样的：
- 电极拾取：捕捉微弱的生物电信号
- 前置放大：将微伏级信号放大到伏级（增益通常1000-10000倍）
- 滤波：去除噪声，保留目标频段（如0.5-100Hz）
- 模数转换(ADC)：将模拟信号转为数字信号
- 存储/传输：保存数据或实时传输到计算机
关键参数：采样率至少要满足奈奎斯特定理——采样率大于信号最高频率的2倍。对于EEG，256Hz是底线，512Hz比较常用。做动作电位分析，采样率至少要10kHz。
参考电极与导联方式
EEG信号是差分信号，需要参考电极。常见的导联方式有：
- 单极导联：每个电极相对于参考电极的电位差
- 双极导联：相邻两个电极之间的电位差
- 平均参考：所有电极的平均值作为参考
我个人习惯用平均参考。它在大多数情况下能提供比较干净的信号，而且不容易引入局部噪声。但要注意，如果某个电极坏了，平均参考会被污染。所以每次实验前，我都会检查所有电极的阻抗。
知识体系总览
下面这张图，是我自己整理的本章知识结构。你可以把它当作一个「导航图」，随时回来对照。
这张图把本章的核心内容串起来了。从神经信号的本质，到动作电位和局部电位的区别，再到EEG的节律特征，最后落到采集原理。每一步都是为后续的深度学习处理打基础。
给新手的建议：别急着跳进深度学习模型。先把信号基础搞扎实。我见过太多人，模型跑得飞起，结果输入的是被噪声污染的垃圾数据，输出自然也是垃圾。花时间理解信号，后面会省很多事。
公众号:蓝海资料掘金营，微信deep3321