任务态脑电时频分析：方法与MATLAB/Python实现

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);
amplitud