一、神经信号基础：脑电图(EEG)原理、信号采集设备、常见伪影类型、神经信号数字化基础
各位同学，咱们今天聊点实在的。神经信号处理这个领域，说白了就是跟大脑的“电活动”打交道。你想想看，大脑里上千亿个神经元在不停地放电，我们怎么把这些微弱的信号抓出来、看懂它？这就是EEG要做的事。
我个人习惯把EEG比作“听诊器”——只不过听的不是心跳，而是大脑皮层神经元的集体电活动。嗯，这个比喻虽然糙了点，但道理是通的。
1.1 EEG原理：神经元怎么“说话”的？
先搞清楚一个核心问题：EEG到底在测什么？
我们的大脑皮层里，密密麻麻排着锥体神经元。这些神经元兴奋时，会产生突触后电位——说白了就是离子在细胞膜内外跑来跑去，形成微小的电压变化。单个神经元这点电压，你根本测不到。但成千上万个神经元同步放电，叠加起来的电场就能穿透头皮，被电极捕捉到。
这里有个关键点：EEG记录的不是单个神经元的动作电位，而是大量神经元同步活动的总和。我在项目中遇到过不少新手，总以为EEG能读出“某个神经元在想什么”，这是误解。EEG的空间分辨率确实有限，但时间分辨率极高——毫秒级的信号变化都能捕捉到。
核心要点：EEG信号频率范围通常在0.5-100Hz，幅度在微伏(μV)级别。常见的节律包括：
- δ波 (0.5-4 Hz)：深度睡眠时占主导
- θ波 (4-8 Hz)：困倦、冥想状态
- α波 (8-13 Hz)：放松、闭眼时明显
- β波 (13-30 Hz)：清醒、专注、思考
- γ波 (>30 Hz)：高级认知处理
1.2 信号采集设备：从电极到放大器
讲完原理，咱们看看实际怎么采集。EEG设备的核心部件就三样：电极、放大器、模数转换器。
电极是直接接触头皮的部分。常见的有湿电极（需要导电膏）和干电极（直接接触）。我个人更推荐湿电极——虽然麻烦点，但信号质量确实好。干电极方便是方便，但阻抗高，信号容易漂移。
电极的放置位置遵循国际10-20系统。这个系统以鼻根和枕骨隆突为基准，按10%和20%的间距划分电极位置。比如Fz代表额叶中线，Cz代表中央中线，Pz代表顶叶中线。
| 电极代号 | 位置 | 常见用途 |
|---|---|---|
| Fp1, Fp2 | 前额 | 眼动伪影检测 |
| C3, C4 | 中央区 | 运动想象BCI |
| O1, O2 | 枕区 | 视觉诱发电位 |
| T3, T4 | 颞区 | 听觉处理 |
放大器这块，我建议重点关注共模抑制比(CMRR)。EEG信号只有几微伏到几十微伏，而环境噪声可能达到毫伏级。好的放大器CMRR要在100dB以上，才能把有用的差分信号从噪声里捞出来。
实战经验：我曾经在一个项目中，用了某款廉价放大器，CMRR只有80dB。结果采集到的信号里全是50Hz工频干扰，后处理怎么滤都滤不干净。后来换了高CMRR的放大器，问题迎刃而解。所以，放大器别省钱。
1.3 常见伪影类型：那些“假信号”
做EEG最头疼的是什么？不是信号太弱，而是伪影太多。伪影说白了就是“不是大脑产生的电信号，但混进了EEG里”。
我按来源把伪影分成三类：
- 生理伪影：眨眼、眼动、心跳、肌肉活动、出汗。其中眨眼伪影最典型——前额电极上会出现一个大幅度的尖峰，频率在1-3Hz左右。
- 环境伪影：50Hz工频干扰（国内是50Hz，国外有些地方是60Hz）、电磁干扰、电极移动。工频干扰是最常见的，你想想看，实验室里到处都是电源线，怎么可能不受影响？
- 设备伪影：电极接触不良、放大器饱和、线缆晃动。这类伪影通常表现为突然的基线漂移或高频噪声。
避坑指南：我曾经在采集静息态EEG时，发现数据里每隔几秒就有一个大尖峰。排查了半天，结果是受试者戴的金属耳环在晃动。所以，采集前一定要检查受试者身上有没有金属物品——眼镜、耳环、发夹，统统摘掉。
1.4 神经信号数字化基础
模拟的EEG信号要变成计算机能处理的数字信号，得经过三个步骤：采样、量化、编码。
采样：根据奈奎斯特定理，采样频率至少是信号最高频率的两倍。EEG信号最高频率通常不超过100Hz，所以200Hz的采样率理论上就够了。但我建议用250Hz或500Hz——留点余量，万一后面要做高频分析呢？
量化：把连续的电压值映射到离散的数值上。量化位数决定了分辨率。16位ADC可以区分65536个电平，对于微伏级的EEG信号来说，足够了。24位ADC当然更好，但成本也上去了。
编码：把量化后的数值用二进制表示。常见的格式有int16、float32等。我个人习惯用float32保存原始数据——虽然占空间大点，但后续处理时不用来回转换精度。
下面是一个简单的Python代码示例，演示如何读取和查看EEG数据的基本信息：
import numpy as np
import matplotlib.pyplot as plt
# 模拟一段EEG数据
fs = 250 # 采样率 250Hz
t = np.arange(0, 10, 1/fs) # 10秒时长
eeg_signal = 10 * np.sin(2*np.pi*10*t) + 5 * np.random.randn(len(t))
# 查看基本信息
print(f"采样率: {fs} Hz")
print(f"数据长度: {len(eeg_signal)} 个采样点")
print(f"持续时间: {len(eeg_signal)/fs:.2f} 秒")
print(f"信号范围: {eeg_signal.min():.2f} ~ {eeg_signal.max():.2f} μV")
# 绘制波形
plt.figure(figsize=(12, 4))
plt.plot(t, eeg_signal)
plt.xlabel('时间 (秒)')
plt.ylabel('幅值 (μV)')
plt.title('模拟EEG信号')
plt.grid(True)
plt.show()这段代码虽然简单，但能帮你理解数字EEG信号的基本结构——时间轴、幅值、采样率。实际项目中，你拿到的数据可能来自EDF、BDF或SET格式，但底层逻辑是一样的。
数字化关键参数总结：
- 采样率：250-1000 Hz（推荐500 Hz）
- 量化位数：16-24 bit（推荐24 bit）
- 输入范围：±100 mV 至 ±1 V（取决于放大器）
- 共模抑制比：>100 dB
- 输入阻抗：>10 MΩ
好了，这一章的内容就到这里。EEG的基础知识是后续所有深度学习模型优化的根基——你连信号怎么来的、有什么坑都不知道，后面怎么调模型？嗯，下一章咱们会深入讨论预处理和特征提取，但先把今天的内容消化透。