综述:脑电图信号特性、处理算法及跨领域应用进展

《Signals》:ML-CDAE: Multi-Lead Convolutional Denoising Autoencoder for Denoising 12-Lead ECG Signals Malaz Alfa, Fars Samann and Thomas Schanze

【字体: 大 中 小 】 时间:2026年03月05日 来源:Signals 2.9

编辑推荐:

  研究人员系统综述了脑电图(EEG)技术的物理基础、信号特性、处理算法及多场景应用进展。首先阐述了脑电产生的生物物理机制:皮层锥体神经元同步活动形成电流偶极子,依据泊松方程?·(σ(r)?Φ(r))=?·Jp(r),其中σ为组织电导率,Φ为电势,Jp为源电流密度

  
研究人员系统综述了脑电图(EEG)技术的物理基础、信号特性、处理算法及多场景应用进展。首先阐述了脑电产生的生物物理机制:皮层锥体神经元同步活动形成电流偶极子,依据泊松方程?·(σ(r)?Φ(r))=?·Jp(r),其中σ为组织电导率,Φ为电势,Jp为源电流密度。在无限均匀介质假设下,头皮电位可通过经典公式Φ(r)=1/(4πσ)·(p·r)/‖r‖3计算,p为偶极矩矢量。进一步引入前向问题与逆问题框架:前向问题通过已知源分布求解头皮电位,可建模为线性矩阵方程V=L·Ip,其中V为电极电位向量,L为导联场矩阵,Ip为源强度向量;逆问题则因解的非唯一性需引入正则化约束,通过最小能量等先验假设获得稳定解。随后概述EEG记录技术体系,涵盖国际10-20电极放置系统、设备架构分类(有线/无线/植入式)、电极材料(湿/半干/干电极)及通道密度配置(低密度1-8导至超高密度>256导)。针对信号干扰问题,对比了硬件屏蔽(有源电极、法拉第笼)与软件去噪方法(独立成分分析ICA、伪迹子空间重构ASR)的性能差异,并指出深度学习模型(卷积神经网络CNN、U-Net、生成对抗网络GAN)在非平稳伪迹去除中的优势。最后归纳EEG在脑机接口(BCI)、临床神经疾病监测(癫痫、注意力缺陷多动障碍ADHD)、认知状态评估(负荷、情绪、疲劳)、数字精神病学、神经工效学、神经营销及运动表现优化等领域的应用现状,同时强调当前商业化应用面临的反向推理局限性、个体神经特征变异性及神经数据隐私伦理挑战。

3. Recording Technique

EEG技术通过在头皮放置电极记录大脑电活动,基于差分放大原理将电极间电压放大并显示为数字波形。典型系统包含电极、导联选择电路、模数转换器(ADC)及处理反馈模块。记录前需进行头皮准备,传统电极系统要求阻抗降至5–10 kΩ以提升导电性并减少干扰。电极放置遵循国际10–20系统,该标准通过解剖区域命名(Fp=额极,F=额叶,C=中央,P=顶叶,O=枕叶,T=颞叶,A=耳廓)与位置编码(偶数=右侧,奇数=左侧,“z”=中线)实现电极位置标准化,如Cz位于中央区中线。现代EEG系统可按四个维度分类:采集方式与接口涵盖无创头皮EEG、耳周EEG、皮下EEG,以及侵入式皮层脑电图(ECoG)、立体定向EEG(sEEG)和皮层内微电极;设备架构包括实验室级有线系统、支持自然场景下活动的无线(蓝牙/Wi-Fi)系统、混合架构、消费级可穿戴头戴设备、带遥测功能的植入式设备及模块化阵列;电极技术涉及接触介质(液态/凝胶、半干/水凝胶、干电极、微针电极)、材料(金属薄膜、聚酰亚胺、编织织物、导电聚合物/石墨烯)及有源(内置前置放大器)/无源设计;通道密度从基础脑机接口(BCI)适用的1–8导低密度,到科研常用的16–64导中密度,再到源定位所需的64–256导高密度,乃至特殊应用的>256导超高密度,布局除标准10–20系统外还包括10–10系统及定制化栅格。当前临床与科研记录标准已分化:临床实践遵循美国临床神经生理学会(ACNS)与国际临床神经生理学联合会(IFCN)指南,至少16–21通道、256 Hz采样率,现代临床系统多采用25–32通道、500–1024 Hz配置;科研系统则常用64–256通道高密度阵列,采样率达2 kHz至20 kHz以捕捉高频振荡。放大器技术已从16位交流耦合系统升级为24位直流耦合放大器,动态范围达±400 mV,可稳定记录慢电位并避免饱和。关键放大器参数包括输入噪声(<0.5 μV RMS)、输入阻抗(>1 GΩ)、共模抑制比(CMRR)、带宽与滤波器设置。实时延迟与同步方法(TTL、精确时间协议PTP、GPS)对毫秒级闭环应用至关重要。数据存储支持本地存储与流式传输,通信协议涵盖蓝牙低功耗(BLE)与Wi-Fi,需符合脑影像数据结构(BIDS)等标准。多模态集成常见组合包括EEG+功能性近红外光谱(fNIRS)、EEG+运动传感器(惯性测量单元IMU)、EEG+眼动追踪/心电图(ECG)/眼电图(EOG),并与经颅磁刺激(TMS)、功能磁共振成像(fMRI)、脑磁图(MEG)同步。系统需满足相应监管要求(科研用、II/III类医疗器械、MRI兼容),并根据使用者(婴幼儿、儿童、成人、动物)与使用场景优化人体工学设计。电源系统可采用市电、电池或能量收集方案,支持低功耗长时程记录。生态系统分为封闭(厂商依赖)与开源硬件/软件两类。生理伪影(眼电EOG、肌电EMG、心电ECG)与环境干扰(50/60 Hz工频噪声、运动伪影)是主要挑战。硬件解决方案包括集成前置放大器的有源电极、有源屏蔽及屏蔽室(法拉第笼),可显著提升CMRR并稳定阻抗。软件处理方面,传统线性滤波与回归方法仍适用于简单漂移校正,独立成分分析(ICA)是分离眨眼、心跳等稳态伪影的金标准,伪迹子空间重构(ASR)可有效去除移动EEG中的非平稳瞬态噪声。新兴深度学习方法(CNN、U-Net、GAN)在学习非线性映射以去除复杂肌电与运动伪影方面展现出优越性能,克服了传统流程的参考信号限制。

4. Applications

EEG应用领域正快速扩展。脑机接口(BCI)是前沿方向,通过解码EEG信号控制机器、机器人、无人机及假肢,辅助运动功能障碍患者。神经游戏兼具娱乐与治疗价值。临床层面,EEG用于慢性神经系统疾病(癫痫、ADHD)的长期管理、急性生理生物标志物(如癫痫发作)检测,以及创伤性脑损伤(TBI)、神经外科手术中的监测。神经科学研究中,EEG用于量化认知负荷、注意力、压力及情绪状态。神经自适应环境可根据用户脑活动动态调整光照、声音或内容。数字精神病学将EEG作为客观数据层整合至预训练模型与深度学习算法,推动诊断流程自动化、症状追踪与疾病进展预测,人工智能结合EEG已用于焦虑抑郁检测。神经工效学在真实或模拟环境中评估脑力疲劳、工作负荷与注意力,应用于人机系统优化。神经营销学通过分析消费者神经反应优化营销策略与产品设计。教育领域利用EEG评估学习投入与专注度,开发智能自适应教学系统,常用指标为参与度指数(Beta功率/(Alpha功率+Theta功率)),其与任务沉浸感及心智负荷相关。体育与健康领域聚焦神经反馈优化巅峰表现,如精准运动项目中的“安静眼”期监测,通过前额中线Theta(fmθ)功率确认运动员进入放松专注状态;利用Alpha/Theta比值训练压力调节与恢复,减少高压下的“窒息”现象。尽管前景广阔,实际应用受限于个体间神经生物标志物的高变异性,需建立个体化“神经档案”。EEG生物识别系统凭借活体检测与“可撤销性”(刺激范式可重置)优势,提供身份识别新途径,但长时程不稳定性、跨会话变异性(受疲劳、压力影响)及对抗攻击风险(深度学习合成EEG可绕过认证)仍需解决。需区分临床常规应用与实验性应用:目前仅癫痫、睡眠障碍、痴呆及脑病的诊断与监测具备充分循证证据与标准化指南;BCI、神经自适应环境、数字精神病学、神经工效学、神经营销、教育、体育、健康及生物识别等领域多处于实验或原型阶段,缺乏大规模临床试验验证与广泛临床采纳。

5. Basic Characteristics

EEG信号按频率分为特征频段:Delta波(0.5–4 Hz)主导深睡眠(N3期),见于婴儿,清醒成人出现可能提示病理状态;Theta波(4–8 Hz)见于深度放松与冥想状态,儿童期正常存在;Alpha波(8–13 Hz)在闭眼安静觉醒状态下枕区占优,反映平静警觉状态;Beta波(13–30 Hz)与主动警觉思维、专注及问题解决相关;Gamma波(30–100 Hz)参与记忆巩固、感知及多感官信息整合;>100 Hz高频活动与Gamma频段上限重叠,易受焦虑、神经调控及神经系统疾病影响,测量可靠性较低。形态特征包括:Mu节律(8–13 Hz)呈弧形,位于中央区,可被实际或想象运动抑制;睡眠纺锤波(11–15 Hz)是N2期特征,反映丘脑-皮层网络同步活动;K复合波为N2期高幅双相波,由外界刺激诱发,维持睡眠抑制觉醒;顶点波(V波)为N1期中央-额区短锐波,标志睡眠起始;Lambda波为枕区瞬态三角波,与扫视眼动及视觉探索相关;棘波是癫痫活动的重要指征;高频振荡(HFOs,80–500 Hz)是局灶性癫痫网络的关键生物标志物,对致痫灶定位至关重要。EEG作为复杂的时空随机信号,在短时窗(数秒至数十秒)内可视为准平稳过程,允许应用经典平稳信号处理方法估计均值、方差、偏度、峰度等统计量,但需注意样本非独立性及非平稳性影响,谨慎应用正态性检验(如Kolmogorov–Smirnov检验)及相关性校正。数字化需遵循Nyquist定理,采样率至少为信号最高频率的2倍,并配合抗混叠滤波,量化位数(9–11位)影响信噪比与信号保真度。时域相关性通过自相关/相干函数描述,频谱特性通过功率谱密度(傅里叶变换自相关函数得到)表征,周期图/快速傅里叶变换(FFT)结合平滑或集合平均可获得可靠谱估计,Hjorth参数等谱矩可总结形态学特征。非高斯分布下,高阶分析(双谱/双相干)可揭示谐波分量间的非线性相关与相位耦合。过零分析通过统计波峰/半波间隔描述波形结构,与谱矩及过零率数学相关,但易受高频噪声干扰,常引入滞后来避免虚假过零,且会高估快成分、低估罕见长周期。综合描述需结合统计快照(分布形态与矩)、时域关系(自/互相关)及频谱表征,辅以自回归(AR)模型等参数化方法与特征提取算法。近期研究重新评估了EEG功率谱中的“背景”噪声,发现非周期频谱成分(1/fχ幂律衰减,χ为谱指数)是关键的生理标志物而非单纯仪器噪声。该非周期斜率与神经兴奋-抑制平衡相关:平坦斜率反映高异步放电与兴奋状态(觉醒与认知加工),陡峭斜率反映强抑制或同步化(睡眠、麻醉、昏迷)。通过FOOOF(拟合振荡与1/f)、IRASA(不规则重采样自谱分析)等算法可从传统振荡峰中分离该特征。该框架已成功区分无反应性觉醒综合征(UWS)与微意识状态(MCS),静息态斜率与扰动复杂性指数(PCI)强相关,但在严重缺氧后皮层广泛损伤病例中,振荡功率仍是更优预测指标。

6. Methods for EEG Processing

6.1. Statistical and Time-Series Analysis

基础统计描述是定量EEG分析的基石,均值、方差、标准差、偏度、峰度等参数揭示信号形态、变异度及统计特性。概率分布分析指导统计检验与模型选择。采样率需满足Nyquist定理,配合抗混叠滤波器防止信息失真;量化位数决定记录精度。自相关与互相关函数量化时域依赖性与通道间延迟,初步评估同步性或功能连接。过零或半波间隔分析提取波周期性特征。贝叶斯方法基于贝叶斯定理P(θ|D)=P(D|θ)P(θ)/P(D),融合先验知识与观测数据获得后验估计,应用于贝叶斯源定位、分层贝叶斯模型(跨被试信息整合的连接估计)及不确定性量化。期望最大化(EM)算法通过迭代优化处理含隐变量的数据,最大化似然函数P(X|θ):E步计算隐变量期望值,M步更新参数以最大化期望似然。该算法用于高斯混合模型聚类EEG状态、隐马尔可夫模型(HMM)及动态因果模型(DCM)的参数估计。HMM假设存在隐状态序列St生成观测数据Xt,序列概率由P(X,S)=P(S1)∏tP(St|St-1)P(Xt|St)计算,将EEG视为交替的潜在“脑状态”,通过EM算法估计参数,用于睡眠分期、注意力判断等脑状态解码、动态功能连接及认知事件分割。DCM作为贝叶斯状态空间模型,通过微分方程?=f(x,u,θ)描述脑区间因果相互作用,其中x为内部脑状态,u为外部刺激,θ为连接强度。采用变分贝叶斯近似连接的后验分布,超越相关性描述,揭示有效连接(方向性连接),适用于因果推断研究。Prony方法作为参数自回归模型的前身,通过指数拟合信号xt=∑i=1NAiesit,其中Ai为振幅,si=αi+jωi为复频率,估计主导频率成分、阻尼振荡及瞬态事件,现代扩展(矩阵Prony、子空间Prony)利用代数与特征空间技术提升多通道EEG中振荡模式识别的稳定性与准确性。自回归(AR)模型将信号xt表示为其p个历史值的线性组合xt=∑i=1paixt-i+εt(ai为自回归系数,εt为白噪声),基于信号记忆性进行预测。移动平均(MA)模型则描述为当前及过去误差的线性组合xt=εt+∑i=1qbiεt-i(bi为滑动平均系数)。自回归滑动平均(ARMA)模型结合两者,而自回归综合滑动平均(ARIMA)模型进一步纳入差分处理非平稳序列。这些参数化模型为EEG的谱估计、预测及特征提取提供了紧凑的数学框架。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号