EEG技術因其實時性和易用性，在醫療、科研和消費領域持續擴展，但需進一步解決噪聲抑制和信號解碼精度問題。
腦電圖（Electroencephalography, EEG）是一種非侵入式記錄大腦電活動的技術，通過放置在頭皮表面的電極檢測神經元群同步放電產生的微弱電位變化。EEG具有毫秒級時間分辨率，但空間分辨率較低（約1-2 cm）。以下是EEG技術的核心要點：
一、EEG信號基礎
1. 信號來源
-
神經元電活動：主要由大腦皮層錐體細胞的突觸后電位（PSPs）同步產生，需數千個神經元同步放電才能被頭皮電極檢測到。
-
信號強度：頭皮記錄的電位幅度約為10–100 μV，比單個神經元動作電位（~1 mV）小得多。
2. 頻段分類
EEG信號按頻率分為多個節律，與不同認知狀態相關：
| 頻段 | 頻率范圍 | 相關狀態 |
|---|---|---|
| δ波 (Delta) | 0.5–4 Hz | 深度睡眠、昏迷 |
| θ波 (Theta) | 4–8 Hz | 困倦、冥想、記憶編碼 |
| α波 (Alpha) | 8–13 Hz | 閉眼放松、枕葉主導 |
| β波 (Beta) | 14–30 Hz | 專注、運動規劃、焦慮 |
| γ波 (Gamma) | >30 Hz | 高階認知（如注意、感知綁定） |
二、EEG系統組成
1. 硬件設備
-
電極：
-
材料：Ag/AgCl（氯化銀）電極最常用，導電膏降低阻抗。
-
布局：按國際10-20系統（或更高密度如10-5系統）放置，覆蓋全腦區域（如Fp1、Cz、O2等）。
-
-
放大器：放大微弱信號（增益約1000–10000倍），抑制共模噪聲。
-
模數轉換（ADC）：采樣率通常≥250 Hz（避免高頻信號混疊）。
2. 信號處理流程
-
預處理：
-
濾波：帶通濾波（0.5–40 Hz）去除直流漂移和高頻噪聲。
-
去噪：獨立成分分析（ICA）消除眼動（EOG）、肌電（EMG）干擾。
-
-
特征提取：
-
時域分析：事件相關電位（ERP，如P300）、峰值檢測。
-
頻域分析：快速傅里葉變換（FFT）計算功率譜密度。
-
-
分類/解碼：
-
常用算法：LDA、SVM、CNN（深度學習需大量數據）。
-
三、EEG的應用場景
1. 臨床醫學
-
癲癇診斷：檢測異常放電（如棘波、尖慢波）。
-
睡眠研究：分期（NREM/REM）及睡眠障礙（如失眠、呼吸暫停）。
-
腦死亡判定：確認腦電靜息（flat EEG）。
2. 腦機接口（BCI）
-
控制類：
-
運動想象（MI-BCI）：想象左手/右手運動控制光標。
-
穩態視覺誘發電位（SSVEP）：注視閃爍目標產生特定頻率響應。
-
-
通信類：
-
P300拼寫器：通過矩陣閃爍選擇字符（如ALS患者交流）。
-
3. 科研與消費級應用
-
認知神經科學：研究注意力、決策、情緒等腦機制。
-
神經反饋訓練：通過實時EEG反饋調節大腦狀態（如提升專注力）。
-
消費設備：
-
低成本頭戴設備（如NeuroSky、Muse頭環）用于冥想監測或游戲控制。
-
四、EEG的優缺點
優勢
-
高時間分辨率：可捕捉毫秒級腦活動變化。
-
便攜性與低成本：相比fMRI、MEG更易普及。
-
無創安全：適合長期監測（如重癥監護）。
局限性
-
低空間分辨率：無法精確定位深部腦區（需結合fMRI或源定位算法）。
-
信號易受干擾：肌電、眼動、環境噪聲（如50Hz工頻）影響顯著。
-
個體差異大：需用戶特異性校準。
五、前沿技術與發展
-
干電極技術：無需導電膏（如EEG耳機），但信噪比低。
-
移動EEG：無線便攜設備（如OpenBCI）用于日常監測。
-
混合BCI：結合EEG與fNIRS、眼動追蹤提升性能。
-
深度學習：端到端模型（如EEGNet）自動提取特征。
典型EEG信號示例
-
α波阻斷：閉眼時枕葉α波增強，睜眼后減弱。
-
P300波形：靶刺激后300 ms出現的正波（用于BCI拼寫）。
EEG技術因其實時性和易用性，在醫療、科研和消費領域持續擴展，但需進一步解決噪聲抑制和信號解碼精度問題。
