脑电图（学习自用）（1-4课）

文章目录

第一课：电极的安放位置和测量
- 安放前的准备
- 放置操作
- 导联设置
第二课：脑电图一般判读原则
- 判断正常的脑电图
- - 睡眠期的脑电图正常成分
  - 慢波的说明
- 正常脑电图的变异
- - 弥漫性慢波
第三课：脑电图波的分析和识别
- - 波幅的分布
- 位相
- 波形-单型波
- - 正弦样波
  - 弓形波
  - 带切迹的波
  - 尖波
  - 棘波
  - 三相波
- 复合波
- 暴发
- 阵发
- 反应性
- 出现部位
第四课：正常清醒脑电图的识别
- $\alpha$ 节律
- $\mu$ 节律
- $\beta$ 活动
- $t h e t a$ 波
- $\lambda$ 波
- 儿童后头部慢波

参考的视频链接：https://www.bilibili.com/video/BV1TA411H7SE/?p=3&spm_id_from=pageDriver&vd_source=aaaf06b8376d403ccf45b015b677d093
推荐参考书籍
在这里插入图片描述

第一课：电极的安放位置和测量

在这里插入图片描述

安放前的准备

在这里插入图片描述

放置操作

在这里插入图片描述

有脑电帽，这里只是了解一下

针对的是癫痫的患者

导联设置

在这里插入图片描述记录电极减去参考电极就是真实记录到的电极

耳垂鼻尖乳突这些受脑电和生物电影响小的位置

某个位点发生电信号，之后具有相同的参考电极的不同点位记录到的电信号

T3和T4离耳朵比较近，就是参考电极（检测到电信号）被活化，不再是零电极了。

如果某个电极电压非常高，会造成全局的影响。
在这里插入图片描述
特定的区域和任务的分析

双极导联的设置

第二课：脑电图一般判读原则

判读之前要了解的关键信息
在这里插入图片描述

不同导联联系法对同一个脑电的显示是有区别的

双极纵向导联是筛选性检查的最佳电极联系法
页面干净，波形较容易辨认。对脑电的现象进行定位和定侧。
耳电极参考的方法适合分析分布广泛的波形的特点

敏感度幅值的设置
慢波的脑电图指示
在这里插入图片描述

走纸速度是多少毫米每秒，也就是说一秒钟记录多少个采样点。电子记录的一般要远远高于纸质。对于30mm/s的走纸速度，在这种设置下，脑电图的时间分辨率为每秒1/30秒，即大约每33.3毫秒记录一次信号。
打卡速度应该是一致的，纸走的速度越慢，波越密集
低频滤波 0.3 0.5 1.6Hz
在这里插入图片描述
高频滤波 70Hz

脑电图的判读

伪迹的分类
生理伪迹

双侧额区
F开头这几个

拍打伪迹：

判断正常的脑电图

在这里插入图片描述
后头部节律
α节律（alpha rhythm）在脑电图中主要位于大脑的后头部区域，包括枕区、顶区和后颞区。在清醒且闭眼的状态下，α节律作为一种放松状态下的脑电波，其频率通常在8-13Hz之间，波幅一般在10-100微伏（μV）。
在这里插入图片描述
即使用P，O，T5,T6部分的波形来进行分析。
α节律对脑功能状态有何影响？

α节律，也称为α波，是脑电波中的一种节律，通常在8-12Hz之间。它在脑功能状态中扮演着重要的角色。α节律与大脑的空闲状态有关，当大脑处于休息或不参与特定任务时，α节律活动较为显著。研究表明，α节律不仅是大脑活动的一种伴随现象，还可能代表一种主动的功能机制。α节律的能量和相位可以影响神经集群的兴奋性，并参与调节信息加工

在视觉空间注意任务中，α节律在提示之后会出现去同步化（能量降低）和偏侧化调控，这可能体现了注意对感官信息加工的调控作用。研究还发现，提示前的基线α能量和提示策略是影响视觉空间注意任务中α节律的重要因素。

α节律的精确功能在很大程度上仍然是不清楚的，但其在认知控制过程中的变化，如工作记忆、选择性注意和干扰抑制等，表明它与自上而下的调节有关。α节律的研究有助于我们更好地理解大脑如何在不同的认知任务中调整其活动模式

图像根本看不出来（估计是数一秒的长度有5个波峰这种）使用mne和matlab处理估计比较直观。
在这里插入图片描述

睡眠期的脑电图正常成分

在这里插入图片描述
顶尖波
纺锤波（二期睡眠的波形）

二期和三期过渡的脑电波
K复合波和慢波增多

慢波明显增多

慢波的说明

在这里插入图片描述

快速眼动期的眼动伪迹
在这里插入图片描述

正常脑电图的变异

在这里插入图片描述
双侧颞区（T区域）

使用耳电极参考法，可以看到

弥漫性慢波

在这里插入图片描述
弥漫性的慢波是指在脑电图（EEG）上观察到的广泛分布的、持续时间较长的慢波活动。这些慢波可能是正常情况下也会出现的生理性慢波，也可能是由某些病理情况引起的异常慢波。弥漫性慢波的出现通常提示存在中枢神经系统功能异常，可能是一些疾病的表现，如脑炎、癫痫、阿尔兹海默病、脑梗死等。

在病理状态下，弥漫性慢波的出现可能与大脑神经元突发性放电有关，使神经系统功能出现短暂障碍，进而可能会导致患者出现肢体抽搐以及全身强直等症状。此外，弥漫性慢波也可能与脑功能的退行性改变有关，如在阿尔茨海默病患者中，脑电图通常表现为弥漫性慢波或节律不规则，随着病情的发展，脑电图逐渐恶化。

识别弥漫性慢波：弥漫性慢波表现为在大脑的多个区域观察到的慢波活动（δ波，频率低于4Hz；或θ波，频率4-7Hz），这些慢波的波幅较高，且分布广泛，不局限于大脑的某个部位。

诊断过程中，医生会特别注意慢波的分布模式、波形的同步性以及是否伴有其他EEG异常模式，如尖峰、棘波或阵发性活动。这些信息对于确定病变的性质和位置至关重要。
在这里插入图片描述

弥散性，指的是在多个通道都出现一样趋势的波形。

高波幅尖锐的波形

幅度异常都是2.5Hz的慢波

第三课：脑电图波的分析和识别

在这里插入图片描述

ripple和fast Ripple
脑电高频振荡(HFO,80-500Hz)包括ripple(80-250Hz)和fast ripple(250-500Hz),癫痫的手术定位。
以a波为区分
在之前的一课提到过，a波的频率不一样

药物性的快波

发作的广泛快波节律

波幅的分布

在这里插入图片描述

位相

在这里插入图片描述

同位相和位相倒置

波形-单型波

在这里插入图片描述

正弦样波

在这里插入图片描述

弓形波

梳状节律：波形一端圆钝
在这里插入图片描述

带切迹的波

在这里插入图片描述

尖波

在这里插入图片描述

棘波

在这里插入图片描述

三相波

在这里插入图片描述

复合波

在这里插入图片描述
调频与调幅
同一部位的频率差不超过1Hz。
儿童在9-10岁出现调幅现象

在这里插入图片描述
脑波的出现方式

波

活动

节律

周期性

这两个一致的慢波相位差1S

暴发

在这里插入图片描述

阵发

在这里插入图片描述

反应性

在这里插入图片描述

出现部位

在这里插入图片描述

在这里插入图片描述

单侧频率加快，另一侧不变

对于不同波形，从什么角度去认为它们是同一个波。

确定不同通道中的波形是相似或一致的是一个重要的分析步骤。这里有几种方法可以帮助我们量化和评估波形的相似度：

相关系数分析

计算不同通道波形之间的皮尔逊相关系数：

相关系数范围从-1到1
接近1表示高度正相关（非常相似）
接近-1表示高度负相关（相似但可能反相）
接近0表示不相关

import numpy as np

def correlation_coefficient(wave1, wave2):
    return np.corrcoef(wave1, wave2)[0, 1]

# 使用示例
# correlation = correlation_coefficient(channel1_wave, channel2_wave)

均方误差（MSE）或均方根误差（RMSE）
计算两个波形之间的差异：

MSE = Σ(wave1 - wave2)^2 / n
RMSE = sqrt(MSE)
值越小，波形越相似

def mean_squared_error(wave1, wave2):
    return np.mean((wave1 - wave2)**2)

def root_mean_squared_error(wave1, wave2):
    return np.sqrt(mean_squared_error(wave1, wave2))

动态时间规整（Dynamic Time Warping, DTW）
特别适用于可能存在时间偏移或伸缩的波形：

计算两个时间序列之间的最小距离
允许非线性对齐，更灵活地处理时间轴上的差异

from dtaidistance import dtw

def dtw_distance(wave1, wave2):
    return dtw.distance(wave1, wave2)

互相关（Cross-correlation）
评估两个信号在不同时间延迟下的相似度：

可以检测出相似但存在时间偏移的波形
最大互相关值及其对应的时间延迟可以指示相似度和时间差

def cross_correlation(wave1, wave2):
    return np.correlate(wave1, wave2, mode='full')

频谱分析
比较波形在频域的相似度：

使用快速傅里叶变换（FFT）将波形转换到频域
比较功率谱密度（PSD）的相似度

from scipy import signal

def compare_psd(wave1, wave2, fs):
    f1, psd1 = signal.welch(wave1, fs)
    f2, psd2 = signal.welch(wave2, fs)
    # 比较 psd1 和 psd2
    return np.corrcoef(psd1, psd2)[0, 1]