EEG信号分析实战：从时域到频域，手把手教你用Python处理脑电数据

EEG信号分析实战：从时域到频域，手把手教你用Python处理脑电数据

脑电信号（EEG）作为探索大脑活动的窗口，在神经科学研究和临床诊断中扮演着关键角色。想象一下，当你在思考、放松或专注时，大脑皮层中数百万神经元同步放电产生的微弱电信号，通过电极捕捉后形成那些起伏的波形曲线——这就是EEG数据的本质。不同于其他生物信号，EEG具有毫秒级的时间分辨率，能直接反映神经元的电活动变化，这使得它成为研究认知过程、情绪状态甚至意识活动的独特工具。

然而，原始EEG数据就像一本用特殊密码写成的日记，需要合适的解码技术才能读懂其中的信息。本文将带您使用Python这把"瑞士军刀"，逐步拆解EEG分析的核心技术路线。无论您是刚开始接触脑电研究的心理学学生，还是需要快速实现原型验证的工程师，都能通过以下实战示例获得可直接复用的代码方案。我们将重点解决三个关键问题：如何从时域波形中提取事件相关电位？怎样通过频域分析发现不同认知状态下的脑波特征？以及何时需要结合时频分析来捕捉动态变化？

1. 环境准备与数据加载

工欲善其事，必先利其器。在开始EEG分析前，需要配置包含以下核心库的Python环境：

• MNE-Python：专为EEG/MEG分析设计的工具箱
• NumPy：数值计算基础库
• SciPy：科学计算与信号处理
• Matplotlib：数据可视化
• Pandas：数据整理与分析

pip install mne numpy scipy matplotlib pandas

典型的EEG数据通常以.edf、.bdf或.set等格式存储。以常用的EDF格式为例，加载数据只需几行代码：

import mne

# 加载示例数据集
sample_data_folder = mne.datasets.sample.data_path()
sample_data_raw_file = sample_data_folder / 'MEG' / 'sample' / 'sample_audvis_raw.fif'
raw = mne.io.read_raw_fif(sample_data_raw_file, preload=True)

# 查看通道信息
print(raw.info)

注意：实际应用中需根据采集系统调整参考电极设置，常见配置包括平均参考、乳突参考或特定电极参考。

EEG数据预处理是确保分析质量的关键步骤，典型流程包括：

1. 滤波处理：

   • 高通滤波（>0.5Hz）去除基线漂移
   • 低通滤波（<40Hz）抑制高频噪声

   raw.filter(0.5, 40, fir_design='firwin')
   

2. 坏道检测与插值：

   raw.plot(block=True)  # 交互式查看异常通道
   raw.interpolate_bads()  # 自动插值修复
   

3. 伪迹去除：

   • 眼电（EOG）去除<