EEG信号处理实战：时频图解析与特征观察指南

1. 什么是EEG时频图？

第一次接触EEG时频图的朋友可能会觉得这张花花绿绿的"热力图"有点神秘。其实它就像是我们给脑电波做的一次"体检报告"，只不过这份报告是用颜色深浅来告诉我们大脑在不同时间、不同频率下的活跃程度。

想象一下你在海边观察海浪。如果只看某个瞬间的海面（时域分析），你只能知道此刻浪有多高；但如果连续观察一段时间（频域分析），你就能发现海浪的节奏规律。时频图就是把这两种观察方式结合起来，既能看到"浪高"随时间的变化，又能分析出"浪的节奏"特征。

实际操作中，我们常用两种时频表示方法：

• 短时傅里叶变换(STFT)：就像用放大镜一段段扫描EEG信号
• 小波变换：更像是用不同倍数的显微镜观察信号特征

python复制# 使用MNE库生成时频图的简单示例
import mne
epochs = mne.read_epochs('sample_epochs.fif')  # 加载预处理后的EEG数据
frequencies = np.arange(8, 30, 2)  # 设置感兴趣的频率范围
power = mne.time_frequency.tfr_morlet(epochs, frequencies=frequencies, n_cycles=5)
power.plot()

2. 时频图的关键特征观察指南

2.1 频率特征识别

新手最容易犯的错误就是盯着时频图的颜色变化看半天，却不知道重点该看什么。我建议从这三个维度入手：

1. 频带分布：重点关注这几个经典频段

   • δ波(1-4Hz)：深度睡眠时显著
   • θ波(4-8Hz)：与记忆、情绪相关
   • α波(8-13Hz)：闭眼放松时枕叶区明显
   • β波(13-30Hz)：认知活动时增强
   • γ波(30-100Hz)：高级认知功能相关

2. 功率变化：颜色越亮（通常红色/黄色）表示该频段功率越强。但要注意：

   • 不同软件可能使用不同颜色映射
   • 绝对功率值需要与基线期对比

3. 时间锁定特征：比如在视觉刺激后300ms左右出现的γ波段增强，可能反映特定认知过程。

2.2 时频模式解析

在实际数据分析时，我习惯用"三看"法则：

一看整体格局：先观察全