《EEG信号基础》课件

EEG信号基础本课件将介绍脑电信号(EEG)的基本原理，分析方法和应用领域。EEG信号的定义脑电信号(EEG)是指从**人脑**中记录的**神经元电活动**。EEG信号通常以**波形**的形式呈现，反映了不同脑区神经元**同步放电**的模式。EEG信号可以用**电极**放置在头皮上记录，并通过**放大器**和**滤波器**进行处理。EEG信号的产生机理1神经元活动神经元是脑的基本功能单位，通过电信号传递信息。2突触传递神经元通过突触连接，传递电信号，产生突触后电位。3同步放电当大量神经元同步放电时，就会产生可测量的脑电信号。神经元的电生理特性动作电位神经元兴奋时，细胞膜上会产生短暂的电位变化，称为动作电位。突触传递神经元之间通过突触传递信息，突触是神经元之间的连接点。神经递质突触传递依赖于神经递质，神经递质是神经元释放的化学物质。突触传递与神经元放电1神经元放电动作电位的产生与传播2突触传递神经递质的释放与受体结合3神经元间信号传递神经网络的构建与信息处理大脑皮层的结构与功能大脑皮层是大脑最外层，也是最复杂的部分，负责高级认知功能，如语言、记忆、思考和情感。大脑皮层由不同区域组成，每个区域都有其特定的功能，这些区域相互连接，共同完成复杂的任务。EEG信号的时域特点1幅度毫伏(mV)2频率赫兹(Hz)3波形正弦波、锯齿波等4相位度(°)或弧度(rad)EEG信号的频域特点常见的EEG波型α波放松状态下，频率为8-12Hz，主要出现在枕叶和颞叶。β波清醒、警觉、专注状态下，频率为13-30Hz，主要出现在额叶和顶叶。θ波睡眠状态、情绪波动、认知活动等，频率为4-7Hz，主要出现在颞叶和顶叶。δ波深度睡眠状态下，频率为0.5-3Hz，主要出现在所有脑区。α波、β波、θ波和δ波α波频率为8-13Hz，幅度较高，在清醒放松的状态下，尤其是在闭眼时最为明显，代表着大脑处于安静、放松的状态。β波频率为14-30Hz，幅度较低，在清醒、紧张、思考或做梦时出现，代表着大脑处于兴奋、活跃的状态。θ波频率为4-7Hz，幅度中等，在睡眠的初期阶段出现，也可能出现在清醒但情绪低落或处于认知负荷较重的情况下，代表着大脑处于睡眠或轻微的认知活动状态。δ波频率为0.5-3Hz，幅度最高，在深睡或昏迷状态下出现，代表着大脑处于深度睡眠或意识丧失的状态。EEG信号的测量方法1电极安置国际10-20系统2信号采集放大器和滤波器3数字化采样和量化电极的种类和安置电极类型常用的电极类型包括针式电极、盘式电极和帽式电极。针式电极用于侵入性测量，而盘式和帽式电极用于非侵入性测量。电极安置系统10-20系统是一种常用的电极安置系统，它根据头皮上的解剖学标记来确定电极的位置。电极材料常用的电极材料包括银、金、铂和不锈钢。这些材料具有良好的导电性和生物相容性。电极-皮肤界面的等效电路电极-皮肤界面是一个复杂的电学系统，可以等效为一个电路模型，主要包括以下几个部分：电极阻抗：电极本身的电阻，主要取决于电极材料和形状皮肤阻抗：皮肤的电阻，主要取决于皮肤厚度、水分含量和温度接触阻抗：电极与皮肤接触部位的阻抗，主要取决于接触面积和接触压力电极极化阻抗：电极与皮肤接触时产生的极化现象造成的阻抗放大和滤波电路设计放大电路EEG信号微弱，需要放大电路以提高信号幅度。滤波电路去除噪声和干扰信号，确保EEG信号的纯净性。电路设计根据EEG信号的特点，选择合适的放大和滤波电路。采样和量化过程1采样将连续的EEG信号转换为离散的数字信号。2量化将每个采样值映射到有限个离散值中。EEG信号的数字化1采样将连续的模拟信号转换成离散的数字信号2量化将连续的幅度值转换成离散的数值3编码将量化后的数值转换成计算机可识别的二进制代码EEG信号的特征提取时域特征平均值、方差、峰值、斜率等。频域特征功率谱密度、频带功率、相位等。非线性特征互信息、非线性相关性、分形维数等。时域特征与频域特征时域特征描述信号随时间变化的特性，如幅值、频率、相位等。频域特征反映信号在不同频率上的能量分布，通过傅里叶变换得到频谱。非线性特征高阶统计量如偏度、峰度、熵等，可以反映信号的非对称性和尖峰程度。非线性动力学指标如最大Lyapunov指数、关联维数、分形维数等，可以反映信号的混沌性和复杂性。小波变换特征小波变换可以提取不同尺度下的信号特征，可以反映信号的非平稳性和局部变化特征。EEG信号的模式识别特征提取从EEG信号中提取有意义的特征，如时域、频域和非线性特征。模式分类使用机器学习算法将提取的特征分类到不同的模式，例如正常或异常脑电活动。模型评估评估模型的准确性、鲁棒性和泛化能力，以确保其可靠性。基于机器学习的分类方法支持向量机(SVM)SVM是一种强大的分类方法，它通过寻找最佳分离超平面将数据划分到不同的类别。决策树决策树是一种树状结构，它根据一系列特征将数据分类到不同的叶子节点。神经网络神经网络模拟人脑的结构和功能，通过学习数据之间的复杂关系进行分类。EEG信号的应用领域脑机接口利用EEG信号控制外部设备，实现人机交互。睡眠分期通过分析EEG信号，识别不同睡眠阶段，帮助诊断睡眠障碍。痴呆症诊断EEG信号的异常变化可以用于早期诊断痴呆症。神经疾病诊断EEG信号可以帮助诊断癫痫、脑肿瘤等神经疾病。脑机接口连接大脑与外部设备的技术利用神经信号控制外部设备应用于医疗、康复等领域睡眠分期NREM睡眠NREM睡眠分为三个阶段，分别是N1、N2和N3阶段。REM睡眠REM睡眠也被称为快速眼动睡眠，在此期间，大脑活动类似于清醒状态，但肌肉松弛。EEG信号特征每个睡眠阶段都具有独特的EEG信号特征，例如频率和振幅。痴呆症诊断早期诊断EEG信号可以帮助早期诊断痴呆症，例如阿尔茨海默病。异常脑电波痴呆症患者的EEG信号往往表现出异常的脑电波模式。辅助诊断EEG可以作为其他诊断方法的辅助手段，提高诊断的准确率。神经疾病诊断癫痫EEG可以帮助识别和诊断癫痫发作的类型，并监测治疗效果。阿尔茨海默病EEG可以识别与阿尔茨海默病相关的脑电活动模式，帮助诊断和评估疾病进展。帕金森病EEG可以检测帕金森病患者的脑电活动变化，帮助诊断和评估疾病严重程度。多发性硬化症EEG可以帮助识别与多发性硬化症相关的脑电活动变化，帮助诊断和评估疾病进展。EEG信号的发展趋势1高密度EEG技术使用更多电极来提高空间分辨率，更精确地定位脑电活动。2无创性脑成像结合其他脑成像技术，如fMRI，提供更全面的脑功能信息。3微型化EEG设备便携式EEG设备，方便日常生活中的脑电信号监测。高密度EEG技术1电极数量高密度EEG技术使用大量电极，通常超过128个，以实现更精细的空间分辨率。2信号质量高密度EEG技术可以捕获更多脑部活动，从而提高信号质量和分析精度。3应用范围高密度EEG技术应用于脑机接口、神经疾病诊断和认知科学研究等领域。无创性脑成像功能性磁共振成像(fMRI)通过测量脑部血流变化来反映神经活动，提供对脑功能的深入了解。脑磁图(MEG)检测脑神经元活动产生的微弱磁场，具有高时间分辨率和空间分辨率。近红外光谱(NIRS)利用近红外光穿透头皮，测量脑组织中的血氧变化