任务态脑电时频分析：方法与MATLAB/Python实现-代码聚汇网

任务态脑电时频分析：方法与MATLAB/Python实现

李放放

1. 任务态脑电时频分析概述

任务态脑电（Task-related EEG）分析是认知神经科学研究中的重要手段，通过记录被试在执行特定认知任务时的脑电信号，揭示大脑活动的动态特征。时频分析（Time-Frequency Analysis）作为其中的核心技术，能够同时解析脑电信号在时间和频率维度上的变化规律。

与传统的时域分析（如ERP）相比，时频分析具有三大独特优势：

揭示非相位锁定活动：捕捉与任务相关但不受试次间严格锁相的神经振荡
多频段联合解析：同时分析δ(1-4Hz)、θ(4-8Hz)、α(8-13Hz)、β(13-30Hz)、γ(>30Hz)等频段
动态过程可视化：通过时频能量变化展现认知过程的动态演化

2. 时频分析核心方法

2.1 连续小波变换（CWT）

连续小波变换是最常用的时频分析方法，其数学表达式为：

code复制CWT(a,b) = (1/√a) ∫ x(t)ψ*((t-b)/a) dt

其中：

a为尺度参数（对应频率）
b为平移参数（对应时间）
ψ(t)为母小波函数

在MATLAB中的实现代码：

matlab复制% 参数设置
frequencies = 1:30;  % 分析频段(Hz)
cycles = 7;          % 小波周期数

% 执行CWT
[wt, freqout] = cwt(eeg_data, 'amor', Fs, 'FrequencyLimits',[1 30]);

2.2 短时傅里叶变换（STFT）

STFT通过滑动时间窗实现时频分析，核心公式：

code复制STFT(t,f) = ∫[x(τ)w(τ-t)e^(-j2πfτ)]dτ

Python实现示例：

python复制from scipy import signal
import numpy as np

f, t, Zxx = signal.stft(eeg_data, fs=1000, nperseg=256)

2.3 Hilbert变换与包络分析

适用于窄带信号的瞬时能量提取：

matlab复制analytic_signal = hilbert(bandpass_data);
amplitude_envelope = abs(analytic_signal);

3. 完整分析流程与代码实现

3.1 数据预处理

python复制# Python示例
import mne
raw = mne.io.read_raw_brainvision('eeg.vhdr', preload=True)
raw.filter(1, 40, fir_design='firwin')  # 带通滤波
raw.notch_filter(50)  # 工频陷波
epochs = mne.Epochs(raw, events, event_id=1, tmin=-0.2, tmax=1.5, baseline=(-0.2,0))

3.2 时频分解实现

MATLAB完整示例：

matlab复制% 参数设置
Fs = 1000;  % 采样率
frex = logspace(log10(2),log10(30),20); % 对数间隔频率
wavtime = -2:1/Fs:2; % 小波时间轴
nData = length(EEG.data);
nConv = nData + length(wavtime) - 1;

% 初始化输出矩阵
tf = zeros(length(frex),nData);

% 循环处理每个频率
for fi=1:length(frex)
    % 创建复Morlet小波
    s = 6/(2*pi*frex(fi)); % 标准差
    cmw = exp(1i*2*pi*frex(fi).*wavtime) .* exp(-wavtime.^2./(2*s^2));
    
    % 卷积计算
    EEG_fft = fft(EEG.data,nConv);
    cmw_fft = fft(cmw,nConv);
    conv_result = ifft(EEG_fft.*cmw_fft);
    conv_result = conv_result(1:nData);
    
    % 提取能量
    tf(fi,:) = abs(conv_result).^2; 
end

3.3 统计检验与可视化

python复制# Python统计检验示例
from mne.stats import permutation_cluster_1samp_test

# 组水平统计
T_obs, clusters, cluster_pv, H0 = permutation_cluster_1samp_test(
    tf_power, n_permutations=1000, threshold=dict(start=0.2, step=0.2))

# 可视化
plt.imshow(tf_power.mean(axis=0), 
           extent=[time[0], time[-1], frex[0], frex[-1]],
           aspect='auto', origin='lower', cmap='jet')

4. 实战注意事项与经验分享

4.1 小波参数选择黄金法则

周期数选择：认知任务通常5-7个周期，高频分析可减少到3-5个
频率步长：建议对数间隔（logspace）优于线性间隔
边缘效应：需排除分析时段两端至少2*最长周期的数据

4.2 常见问题解决方案

问题1：时频分辨率不平衡

高频：时间分辨率高但频率分辨率低
低频：频率分辨率高但时间分辨率低
解决方案：采用对数频率尺度+变周期小波

问题2：多重比较校正

matlab复制% FDR校正示例
pvals = [0.01 0.005 0.03 0.001]; 
[h, crit_p] = fdr_bh(pvals, 0.05);

4.3 性能优化技巧

矩阵运算替代循环：使用bsxfun或广播机制加速计算
GPU加速：利用pagefun（MATLAB）或CUDA（Python）
内存管理：对长时程数据分块处理

5. 进阶应用方向

5.1 跨频段耦合分析

python复制# 相位-幅值耦合计算示例
from mne.connectivity import spectral_connectivity

pac = spectral_connectivity(
    epochs, method='plv', mode='multitaper',
    sfreq=1000, fmin=[8,30], fmax=[13,80])

5.2 时频特征解码

matlab复制% MVPA分类示例
cfg = [];
cfg.method = 'svm';
cfg.metric = 'accuracy';
cfg.design = design_matrix;
accuracy = ft_timelockstatistics(cfg, tf_data);

5.3 动态功能连接

code复制[coh, phasestats] = mscohere(x, y, window, noverlap, freqs, fs)

时频分析作为脑电研究的核心技术，其正确实施需要注意三大关键点：参数选择的生理合理性、统计检验的严谨性、结果解释的认知相关性。建议初学者从标准化的分析流程入手，逐步过渡到个性化分析方案的开发。实际分析中，建议同时保存原始时频数据和所有处理参数，确保结果的可重复性。