eeg

# EEG 分析和微状态 ## 概述 分析脑电图 (EEG) 信号以获取频带功率、通道质量评估、源定位和微状态识别。NeuroKit2 与 MNE-Python 集成，实现全面的 EEG 处理工作流。 ## 核心 EEG 函数 ### eeg_power() 计算指定通道在标准频带内的功率。 python power = nk.eeg_power(eeg_data, sampling_rate=250, channels=['Fz', 'Cz', 'Pz'], frequency_bands={'Delta': (0.5, 4), 'Theta': (4, 8), 'Alpha': (8, 13), 'Beta': (13, 30), 'Gamma': (30, 45)}) **标准频带：** - **Delta (0.5-4 Hz)**: 深度睡眠、无意识过程 - **Theta (4-8 Hz)**: 困倦、冥想、记忆编码 - **Alpha (8-13 Hz)**: 放松清醒、闭眼 - **Beta (13-30 Hz)**: 主动思考、专注、焦虑 - **Gamma (30-45 Hz)**: 认知处理、绑定 **返回值：** - 包含每个通道 × 频带组合功率值的 DataFrame - 列：`Channel_Band` (例如 'Fz_Alpha', 'Cz_Beta') **用例：** - 静息态分析 - 认知状态分类 - 睡眠分期 - 冥想或神经反馈监测 ### eeg_badchannels() 使用统计异常值检测识别有问题通道。 python bad_channels = nk.eeg_badchannels(eeg_data, sampling_rate=250, bad_threshold=2) **检测方法：** - 跨通道的标准差异常值 - 与其他通道的相关性 - 平坦或死通道 - 噪声过大的通道 **参数：** - `bad_threshold`: 异常值检测的 Z 分数阈值（默认：2） **返回值：** - 被识别为有问题的通道名称列表 **用例：** - 分析前的质量控制 - 自动剔除坏通道 - 插值或排除决策 ### eeg_rereference() 相对于不同的参考点重新表示电压测量值。 python rereferenced = nk.eeg_rereference(eeg_data, reference='average', robust=False) **参考类型：** - `'average'`: 平均参考（所有电极的平均值） - `'REST'`: 参考电极标准化技术 (Reference Electrode Standardization Technique) - `'bipolar'`: 电极对之间的差分记录 - 特定通道名称：使用单个电极作为参考 **常见参考：** - **平均参考**: 高密度 EEG 最常用