EEG脑电解码入门：从信号预处理到分类算法

引言

脑电图（EEG）是一种非侵入性地记录大脑皮层电活动的方法。通过在头皮上放置多个电极，我们可以获取毫秒级别的神经活动数据。运动想象（Motor Imagery）EEG 是 BCI（脑机接口）领域最经典的研究范式之一——被试想象自己左侧或右侧肢体运动时，大脑的感觉运动皮层会产生特定的节律变化。

EEG 信号的三大挑战

EEG 信号有三个致命问题：

信噪比极低。脑电信号在微伏级（μV），而眨眼（EOG）、肌肉活动（EMG）、电源线干扰（50Hz）的幅度可能数倍于此。
非平稳性。同一个被试在不同时间的脑电特征可能完全不同，甚至同一次实验内的信号也会随时间漂移。
空间分辨率低。电极之间的信号存在容量传导效应（volume conduction），单个电极记录的信号实际上是多个脑区的混合。

预处理流程

带通滤波

运动想象相关的大脑节律主要集中在 μ 节律（8-12Hz）和 β 节律（13-30Hz）。我们使用 Butterworth 带通滤波器：

from scipy.signal import butter, filtfilt

def bandpass_filter(data, lowcut, highcut, fs, order=5):
    nyq = 0.5 * fs
    low = lowcut / nyq
    high = highcut / nyq
    b, a = butter(order, [low, high], btype='band')
    return filtfilt(b, a, data)

filtered_data = bandpass_filter(raw_eeg, 8, 30, fs=250)

ICA 去除伪迹

ICA（独立成分分析）可以将混合信号分解为统计独立的成分，从而识别并去除眨眼、肌肉活动等伪迹：

from sklearn.decomposition import FastICA

ica = FastICA(n_components=n_channels, random_state=42)
sources = ica.fit_transform(filtered_data.T).T

# 识别并置零眼电成分（通常位于额头电极权重最高的成分）

# 重构信号 = mixing_matrix × cleaned_sources
cleaned_data = ica.mixing_ @ cleaned_sources

特征提取：CSP

共空间模式（CSP）是运动想象 BCI 中最经典的特征提取方法。它的核心思想是寻找一组空间滤波器，最大化两类信号的方差差异。

from sklearn.covariance import EmpiricalCovariance

# 计算两类试验的协方差矩阵均值
R1 = np.mean([np.cov(trial1) for trial1 in class1_trials], axis=0)
R2 = np.mean([np.cov(trial2) for trial2 in class2_trials], axis=0)

# 广义特征分解
eigvals, eigvecs = scipy.linalg.eigh(R1, R1 + R2)

# 取最大和最小特征值对应的特征向量
W_csp = np.hstack([eigvecs[:, :m], eigvecs[:, -m:]])

# 特征：滤波后信号的 log-variance
features = np.log(np.var(W_csp.T @ trial, axis=1))

CSP 提取的特征具有良好的可分性，尤其适合二分类运动想象任务。

分类方法对比

在 PhysioNet EEG Motor Movement/Imagery 数据集上的实验结果：

方法	特征	分类器	准确率
基线	功率谱密度	SVM	62.3%
改进	CSP（3对滤波器）	SVM	78.1%
深度	原始信号	EEGNet	83.5%
SOTA	FBCSP（滤波器组CSP）	SVM	85.2%

深度学习：EEGNet

EEGNet 是专门为 EEG 设计的轻量级 CNN，包含深度可分离卷积和逐点卷积：

class EEGNet(nn.Module):
    def __init__(self, n_channels, n_classes):
        super().__init__()
        # 时间卷积 + 空间卷积
        self.block1 = nn.Sequential(
            nn.Conv2d(1, F1, (1, kernel_size), padding='same'),
            nn.Conv2d(F1, F1 * D, (n_channels, 1), groups=F1),
            nn.BatchNorm2d(F1 * D),
            nn.ELU(),
            nn.AvgPool2d((1, 4))
        )
        # 可分离卷积
        self.block2 = nn.Sequential(
            nn.Conv2d(F1 * D, F2, (1, 16), groups=F1 * D),
            nn.Conv2d(F2, F2, (1, 1)),
            nn.BatchNorm2d(F2),
            nn.ELU(),
            nn.AvgPool2d((1, 8))
        )
        self.classifier = nn.Linear(F2 * t, n_classes)

EEGNet 之所以有效，是因为它的设计充分利用了 EEG 信号的两个结构先验：时间维度的卷积可以捕获节律信息，空间维度的深度可分离卷积可以学习通道之间的相关性。

前景与挑战

肌肉信号识别已经非常成熟（肌电假肢的准确率可达 95%+），但脑电的准确率天花板仍在 80%-90% 之间。这是因为头骨和硬脑膜就像一道厚重的雾，大脑皮层发出的微弱电信号传到头皮时已经高度模糊。

但随着新型传感器（干电极、微针阵列）和算法的进步，以及 Transformer 在时序建模上的强大能力，BCI 领域正处在一个令人兴奋的拐点。

丽·芙

引言