2.4 信号特性分析：节律、电位与信噪比账本

2.4 信号特性分析：节律、电位与信噪比账本

本节摘要：脑电信号的可解码成分集中在几个特定窗口：五个经典节律带各对应一类状态变化，事件相关电位在刺激后特定毫秒处隆起，运动想象则以感觉运动节律的抑制为标志。本节给信号开一份"体检单"——各频带的属性、各类电位的时序位置、信噪比的敌人清单——它是第四章特征工程直接引用的弹药库。

拿到一段脑电，从哪里下手？老手的第一步不是建模，是"体检"：这段信号里有哪些可预期的成分、它们在频率轴和时间轴的哪些位置、噪声有哪些已知来源。体检单在手，特征工程就从碰运气变成了按图索骥。本节就是这张单子的完整版。

五个节律带：频率轴上的五层信息

脑电的节律按频率从低到高分层，各带的功能关联在数十年研究中已相当稳固。**德尔塔（0.5 至 4 赫兹）**主导深睡眠，清醒状态下大量出现多为伪迹或漂移的嫌疑；**西塔（4 至 8 赫兹）**与记忆编码、额叶中线活动相关，也是情绪与任务负荷研究的常客；**阿尔法（8 至 13 赫兹）**是闭眼时枕叶的招牌节律，而在感觉运动区，同频段有一个更窄的名字——缪（mu）节律，它就是运动想象范式的信号主角；**贝塔（13 至 30 赫兹）**与运动维持、僵直状态相关，帕金森研究中它在基底节的异常增强是诊断线索之一，在运动解码里则是缪的搭档；**伽马（30 赫兹以上）**对应活跃的局部处理，ECoG 上高频伽马（70 赫兹以上）是运动解码信息量最丰富的频段——但它在头皮上基本被颅骨抹平，这正是 1.3 节三条路线信号质量差异的频率域版本。

图 2-4：脑电节律频带图鉴

时间轴上的两类事件

频率轴之外，还有一族信号锁定在时间轴上。**事件相关电位（ERP）**是刺激或事件锁时的皮层响应：视觉刺激后约一百毫秒的 P100、反馈评价相关的 N200、以及最负盛名的 P300——在辨别出"小概率目标"后约三百毫秒出现的正向波峰。P300 的实用性极高：只要让用户盯着罕见目标（比如拼字矩阵里想选的字符被加亮），它的出现就几乎是必然的、无需训练的。第五章的拼字实验复盘会把它用到底。

事件相关去同步（ERD）与同步（ERS）则是运动想象的核心标记：当用户想象或准备单侧手部动作时，对侧感觉运动区的缪与贝塔节律功率下降（去同步），动作结束后往往出现短暂的反弹增强（同步）。注意这里的反直觉之处——"想象动了"的标志不是功率升高，而是特定频段功率的凹陷。这决定了运动想象特征提取的标准做法：逐频段算功率谱，比功率凹陷的深度与范围。

信噪比的账本

脑电是出了名的低信噪比信号，但"低"要低得有账可查。先看信号侧：头皮诱发电位的单次幅度常在个位数微伏，节律功率变化百分之二三十算显著。再看噪声侧的敌人清单——工频干扰（五十或六十赫兹及其谐波，恰在伽马门口）、眼电（眨眼与眼球运动的角膜视网膜电位，幅度可达百微伏级、前额最重）、肌电（咬紧牙关、皱眉的肌肉电位，频谱与脑电高频段重叠，最难剥离）、心电（偶发的大幅尖峰）、出汗漂移（汗液改变皮肤电极电位，造成缓慢基线摆动）。第四章 4.1 节将逐个给出处理手段，5.6 节则有一篇与它们短兵相接的排错实录。

信噪比的量化办法也值得统一口径：对诱发电位，常用多次试验叠加后的峰值除以背景标准差；对节律特征，常用任务态与静息态的功率比。不同路线的信噪比差距是数量级级的：皮层内单单元的信噪比可比头皮高一到两个数量级，ECoG 的高频伽马信噪比也远超头皮。这不是算法能补平的差距——特征再精巧，也变不出物理上没被记录下来的信息。

个体基线：同一张体检单，不同的人

这份体检单还有最后一个维度常被初学者忽略：它有个体差异，而且差异不小。阿尔法峰值频率在健康成人之间可以从八赫兹排到十三赫兹——同名节律，载波不同；缪节律的基线幅度有人天生深、有人天生浅，直接决定运动想象范式的起步难度；西塔贝塔比值更是受年龄、状态、甚至咖啡因摄入左右。这对工程有两层后果。其一，任何"群体平均意义"上的特征判据，落到个体身上都要重新标定—— 第四章讲校准的原因，一半在电极，一半在这里。其二，判断"信号变好还是变坏"，参照系永远应当是这个人自己的基线，而不是教科书数值：一个天生阿尔法偏弱的人静息时看起来"异常"，对他自己而言恰恰是正常。研究实验里广为使用的公开数据集（几十个被试的标准化记录）之所以强调多被试覆盖，就是在为这种差异留出统计空间；而消费级产品的"即戴即用"之所以精度吃亏，也正是因为跳过了个体基线的标定环节。6.4 节的四周手记会展示一位真实用户把自身基线慢慢"画出来"的全过程。

节律不是独奏：跨频耦合一瞥

体检单按频带分项，容易让人误以为各节律各干各的。真实的皮层动力学里，节律之间存在跨频耦合——最经典的是相位-幅度耦合：低频节律（如西塔）的相位会调制高频节律（如伽马）的幅度，西塔波的特定相位上伽马功率系统性偏强。这不是炫技式的细节：工作记忆的负荷、言语处理的进程，都在耦合强度上留下比单频段功率更灵敏的印记。对脑机接口，跨频耦合是一类尚未充分开采的特征矿——多数现有系统只用功率谱的"边际统计"，耦合特征计算量大、估计要求长数据，但它对某些认知状态的区分度明显高于传统特征。对脑机接口，跨频耦合是一类尚未充分开采的特征矿——多数现有系统只用功率谱的"边际统计"，耦合特征计算量大、估计要求长数据，但它对某些认知状态的区分度明显高于传统特征。本册的解码管线（第四章）以功率类特征为主，这里立此存照：当功率特征对某个状态钝感时，先看耦合、再怪模型。也正因为它需要更长的估计窗与更干净的信号，耦合特征目前更多出现在植入式与研究级系统里——又一个"特征价值由采集质量买单"的例子。

本节要点回顾

• 五带分工：德尔塔睡眠、西塔记忆负荷、阿尔法与缪闭眼与运动、贝塔维持、伽马活跃处理；
• 运动想象的标志是凹陷不是隆起：缪与贝塔带的事件相关去同步；
• P300 无需训练：辨别小概率目标后约三百毫秒必然出现，是拼字范式的基石；
• 信噪比敌人清单：工频、眼电、肌电、心电、汗液漂移，各有频谱特征与空间分布；
• 路线差距的数量级事实：头皮到皮层内，信噪比与可用频段宽度相差一到两个数量级。

第二章的主线到站：信号的出生、坐标、编码方式与体检单都齐了。第三章转入硬件——把微伏级信号完整、干净、无线地搬到计算机里，每一步都是与本章物理定律的谈判。