课程名称：脑电技术概论与信号处理
英文名称：Fundamentals of EEG Technology and Signal Processing
【课程编号】 |
【所属模块】 专业选修课程
|
【学分数】 2学分 |
【适用专业】 心理学 |
【学时数】 24课堂讲授+16实践学时 |
【开设学期】 春季或秋季
|
【已开设次数】 0次（于珠海校区）
|
【建议选课人数】 50人（需配备助教） |
【授课教师姓名】 周天一 |
【授课教师职称】 副研究员 |
【授课教师联系方式】Email: tianyi.zhou@bnu.edu.cn |
|
【先修课要求】 无。 |
|
一、课程简介
本课程面向理工科或认知科学相关专业的大一、大二本科生，系统介绍脑电（EEG）技术的原理、应用及信号处理方法。课程将结合理论与实践，涵盖脑电信号的生理学基础、采集技术、神经振荡分析、时频域分析、机器学习应用等内容，帮助学生建立对脑电技术的整体认知，并掌握基础的信号处理技能。通过案例分析（如脑机接口、疾病诊断）和动手实验（MATLAB/Python工具实操），培养学生解决实际问题的能力。课程无需先修专业知识，适合对心理学、神经科学或人工智能交叉领域感兴趣的学生选修。
二、课程目标
通过本课程，学生将系统掌握脑电技术的基本原理与信号处理方法，理解脑电信号产生的神经机制及其在认知科学与医学领域的应用价值；熟悉脑电数据的采集流程、预处理技术（如滤波、伪迹去除）和常见分析手段（时频分析、ERP等），并能够运用编程工具（如MATLAB/Python）完成基础信号处理；同时培养跨学科研究思维，认识脑电技术在脑机接口、神经疾病诊断等前沿场景中的潜力，为未来参与神经工程或认知科学的实证研究奠定技术基础。
三、教学内容和学时分配
第一部分：基础理论 （共10学时）6课堂教学+4实践学时
（一）第一章：脑电技术概述 学时： 2（课堂教学） |
||
主要内容：脑电技术的起源、发展里程碑；典型应用场景：临床诊断（癫痫、睡眠监测）、脑机接口（BCI）、认知科学研究；EEG与其他神经成像技术（fMRI、fNIRS）的对比。 |
||
教学要求：了解掌握EEG应用领域，并理解其优势与局限性。 |
||
重点、难点：脑电信号的生理学基础（突触后电位与宏观EEG的关系）。 |
||
其它教学环节：讲授、课堂讨论。 （二）第二章： EEG信号采集技术 学时：4（2课堂教学+2实践学时） 主要内容：电极类型（湿电极、干电极）、放大器参数（输入阻抗、共模抑制比）。实验设计中的干扰源（环境噪声、被试动作）与屏蔽方法。课后实践操作脑电放大器，并尝试采集一个被试脑电数据。 教学要求：学生能绘制10-20系统的关键电极位置；理解采样率与频率混叠的关系。掌握如何采集静息态脑电数据。 重点、难点：电极阻抗控制与参考电极的选择。 其它教学环节：讲授、课堂讨论、课后实践。 （三）第三章：信号预处理 学时：4（2课堂教学+2实践学时） 主要内容：脑电滤波（带通/陷波）、去趋势、分段；独立成分分析（ICA）去噪；能用代码（MATLAB/Python）实现滤波与伪迹去除；通过课后实践完成基础的脑电数据预处理。 教学要求：了解掌握实现滤波与伪迹去除；理解ICA的数学假设（信号统计独立性）。 重点、难点：滤波器类型选择及参数设置；ICA成分的生理学解释（如哪些成分对应眼动成分）。 其它教学环节：讲授、课堂讨论、课后实践。 |
||
第二部分 分析方法（共24学时）（12课堂教学+12实践学时） （四）第四章：脑电振荡分析 学时：8（4课堂教学+4实践学时） |
||
主要内容：事件相关电位（ERP）的定义与典型成分；锁时锁相（Time-Locked）与叠加平均技术；不同节律的ERD/ERS现象；频谱估计；时频分析；相关实验代码结果分析。通过课后实践完成ERP的基础分析，以及ERD/ERS的计算和可视化，了解如何使用代码实现时频图的计算。 |
||
教学要求：了解掌握关于时频分析的基本概念、理论和方法。 |
||
重点、难点： ERP与自发EEG的区别；了解频带能量与认知状态的关联。 |
||
其它教学环节：讲授、讨论、课后实践。 |
||
|
||
（七）第七章：非线性神经动力学 学时：4（2课堂教学+2实践学时） |
||
主要内容：非线性神经动力学简介；复杂度简介；熵的计算；递归图等非线性算法在EEG数据分析中的应用。 |
||
教学要求：了解MATLAB/Python脑电复杂度的计算方法。 |
||
重点、难点： 理解周期性和非周期性振荡的差别和联系。 |
||
其它教学环节：讲授、课堂讨论、课后实践。
|
||
（八）第八章：连通性分析 学时：4（2课堂教学+2实践学时） |
||
主要内容：EEG连通性分析中的指标；相关研究举例分析。 |
||
教学要求：了解掌握EEG连通性分析中的指标；了解MATLAB/Python脑电连通性的计算方法。 |
||
重点、难点：不同连通性方法的差异。 |
||
其它教学环节：讲授、讨论、课后实践。 |
||
（九）第九章：机器学习 学时：4（2课堂教学+2实践学时） |
||
主要内容：机器学习分析简介；机器学习分析的脑电特征；机器学习分析训练；机器学习特征选择和降维；相关研究举例分析。 |
||
教学要求：了解掌握机器学习在脑电分析中的应用；了解掌握如何使用代码实现基础的机器学习。 |
||
重点、难点：分类器的选择和机器学习结果的评估。 |
||
其它教学环节：讲授、讨论、课后实践。 |
||
第三部分 前沿专题分享（共6学时） （6课堂教学） （十）第十章：脑电在认知神经科学中的应用 学时：2（课堂教学） |
||
主要内容：脑电在注意中的应用；脑电在情绪中的应用；脑电在音乐认知中的应用； |
||
教学要求：了解掌握脑电在认知神经科学中的应用。 |
||
重点、难点：脑电成分与认知功能的联系。 |
||
其它教学环节：讲授和讨论。 |
（十一）第十一章：脑电在临床医学中的应用 学时：2（课堂教学）
主要内容：脑电在癫痫诊断、自闭症儿童评估、精神分裂、睡眠中的应用； |
教学要求：了解掌握脑电在临床医学中的应用。 |
重点、难点： 异常脑电成分与功能障碍的联系。 |
其它教学环节：讲授和讨论。 |
（十三）第十三章：脑电在神经调控中的应用 学时：2（课堂教学）
主要内容：脑电在神经调控的应用； 了解侵入式和非侵入式神经调控；了解声光电磁等无创电刺激的应用。 |
教学要求：了解掌握脑电在神经调控中的应用。 |
重点、难点： 区分无创和有创神经调控技术。 |
其它教学环节：讲授和讨论。 |
四、选用教材与学习资源 |
1.《脑电与认知神经科学》，田银，科学出版社，2022年版。 2.《脑电信号处理与特征提取》，胡理，科学出版社，2022年版。 3. Analyzing Neural Time Series Data, Mike X Cohen, MIT Press, 2014
|
五、考核方式 考查：平时成绩40% + 期末成绩60% 平时成绩来源：考勤10% +课堂作业30% 期末成绩来源：期末大作业60%
【编写日期】：2025.07.09 |
1