eeg採集裝置設計及應用

㈠ 重磅綜述：人類電生理的腦連接組學

腦連接組學是一門快速發展的神經科學子學科，可以用來從宏觀尺度上檢查不同腦區之間的功能和結構連接關系。研究表明，功能性磁共振成像中常見的規范腦連接網路實際上植根於電生理過程。電生理學研究將為分層大腦網路中的信息整合提供可測試的機制模型。總之，電生理學包含一組交叉科學技術和方法，可提供對大腦系統神經動力學的探索。原則上，它們可以就功能通信如何在大腦網路中以生物學方式實現提供獨特的見解，從而在廣泛的時間范圍內實現復雜的行為 。 此綜述的目標是解釋電生理學方法與連接組學研究之間的相關性。

1  簡介

腦連接是神經科學中一個年輕而快速發展的分支學科，它已經改變了人類的大腦圖譜。 連接組研究起源於21世紀初的核磁共振，在圖論等數學工具的推動下，旨在提供對健康和疾病中大腦結構和功能的綜合分析 。 電生理功能連通性可以定義為一組描述「跨低級別網路的高級別耦合」的指標。低水平網路是由相互連接的細胞組成，分布在1厘米或更大的皮質上--這種空間尺度在整個大腦中隨局部細胞密度、區域深度和該區域內電流的主要方向而變化。因為這種局部迴路在功能上是相對同質的，所以我們猛衡把它們稱為「大腦區域」。高水平的耦合構成了這些局部區域之間的信號相互作用。這些相互作用的區域相隔的距離基本上大於網路中每個區域的空間范圍，它們構成了本文提廳知隱及的高級網路。

電生理技術是歷史上第一個測量大腦活動的技術，在基礎(人類和動物研究)和臨床神經科學中仍然是最容易獲得和發表最多的技術。它們由非常多樣化的方法組合而成，這些方法隨著幾十年來感測和計算技術的進步而演變。 它們的特殊優勢是：1) 直接評估神經活動的能力，對比間接代謝信號；2) 毫秒級的時間解析度；3) 從單個細胞到整個大腦的多空間尺度記錄；4) 通過神經刺激確定因果效應；以及5) 攜帶型、可移動儀器的可用性、成本效益和數據質量的日益增長 。

總扮廳而言之，電生理學包括一套交叉的科學技術和方法，為研究大腦系統的神經動力學提供了獨特的途徑。原則上，它們可以對大腦網路中如何在生物學上實現功能性通信提供獨特的見解，從而在廣泛的時間范圍內實現復雜的行為分析 。 我們在這里的目標是解釋為什麼這些獨特的特性使電生理方法特別適用於腦連接組研究。

2 電生理連接的度量

2.1 電生理數據類型

大腦區域之間的電生理高級連接的測量必須提供 1）高保真度，即足夠的信噪比（SNR），以准確表徵來自不同大腦區域的信號之間的統計依賴性；2) 足夠的空間解析度，以確保區域之間的連通性估計不會因從一個區域到另一個區域的虛假信號交互（「泄漏」或「串擾」）而顯著降低。考慮到這兩點，電生理測量可以分為兩類：

(1)    非侵入性方法 包括腦電圖 (EEG) 和腦磁圖 (EMG)。前者測量大腦中波動電流產生的頭皮表面的電位差，後者測量相同電流波動產生的相應磁感應。

(2)    侵入性測量 通常統稱為顱內腦電圖 (iEEG)，范圍從皮層電圖 (ECoG)到更深結構的深度電極。電極參考位置的選擇通常決定了進行測量的神經元群體的大小。測量結果通常反映了來自皮層錐體細胞 (類似於MEG/EEG) 的 LFP，這些細胞總和超過了數千個神經元。

由於顱外感測器遠離腦源，腦磁圖和腦電圖具有較低的信噪比（尤其是在高頻下）。與EEG相比，MEG提供更高的空間精度，因為它對頭部組織的幾何形狀和電導不太敏感。MEG也不太容易受到生物偽影的影響。然而，MEG 的購買和運營成本也更高，因此更難獲得。感測技術的重大進步有望提供新的、更靈活和負擔得起的 MEG 儀器，這些儀器最近被證明對連通性測量有效。

2.2 電生理信號連通性評估方法

從廣義上講，電生理連接指標可以分為兩類，頻帶內和頻帶間。目前流行的兩類頻帶內連通性度量：固定相位關系和幅度相關度量。這些不同的技術被認為可以深入了解兩種不同的功能連接模式。對於頻帶間測量，存在三種典型的技術系列：相位-相位、幅度-幅度和相位幅度耦合，後者是最常用的 。 圖1中展示了常規的基於生理電信號的腦連接構造步驟。     

圖1處理電生理數據以得出電生理連接組測量的基本方法

與所有類型的生物信號分析一樣，對電生理連接的最大威脅源於數據質量的固有限制，最值得注意的是空間解析度和信號泄漏有關——尤其是對於 MEG/EEG。近年來，已經引入了可靠且穩健的方法來減輕泄漏。其中大多數依賴於這樣的想法，即泄漏必然表現為具有零時滯的信號之間的關系。在探測信號之間的固定相位關系時，可以輕松消除這種零滯後效應——例如，僅採用相干計算的虛部，或通過使用相位滯後指數。除了上面定義的一類指標，研究者還開發了許多有向指標，例如格蘭傑因果、部分定向相乾性和動態因果建模。 這些指標利用電生理測量的高時間解析度來推斷兩個區域之間信息流的平均（在某個時間窗口內）方向。

2.3 面向動態時序連接

上述連接性度量通常應用於許多分鍾或幾個小時的數據，並且被稱為「靜態」連接體。事實上，情況並非如此，因為大腦必須在快速(毫秒)的時間尺度上持續形成和分解網路，以回應不斷變化的認知和行為需求。

2.3.1 滑動窗方法

在最簡單的層面上，動態連接可以通過「滑動」窗口計算。一個關鍵點是這種技術提供的效用取決於窗口的長度。反過來，這取決於人們在多大程度上可以在短時間內獲得可靠的連通性度量，而這本身取決於信號中自由度的數量。一個信號的時間自由度 n  = 2 Bw D ，其中 Bw 是信號帶寬， D 是窗口的時間寬度。雖然fMRI信號的帶寬為~ 0.25 Hz，但電生理信號的名義帶寬至少為100 Hz。這意味著，在電生理學中，基於滑動窗口的連接測量的時間窗口比fMRI短約400倍。這反過來又使電生理學成為動態功能連接測量的首選技術。在實踐中，電生理信號在不同波段包含不同的特徵，人們通常會考慮計算窄帶信號(如alpha、beta、gamma波段)的連通性。這意味著fMRI在時間解析度上的改善並沒有那麼顯著。然而，即使對於最窄的波段(例如8-13 Hz alpha波段)，帶寬仍然保持在5 Hz，在時間解析度上比fMRI至少提高20倍。

然而，盡管電生理信號的帶寬很高，滑動窗口寬度的選擇仍然是一個有趣問題。人們真的希望窗口寬度與大腦中網路波動的時間尺度相匹配。然而，在實踐中，這幾乎肯定是未知的，並且可能在實驗過程中發生變化。同樣，對於不同的網路，它可能是不同的，隨著年齡或參與者的病理狀態而變化。也有可能，連通性波動的時間尺度可能太短，無法有效測量窗口內的連通性(例如，對於alpha波段，1秒的窗口，與認知加工相比仍然很長，只包含10個自由度)。由於這些原因，雖然滑動窗口仍然是一個有用的和概念上直接的工具，但很可能其他方法可以更好地利用電生理學提供的高時間解析度。

2.3.2   除滑動窗方法之外

許多技術試圖「時刻」檢查連通性，即在電生理時間過程中獲得每個樣本的功能連通性估計。一種可用的技術是相位差導數 (PDD)。簡而言之，PDD探測固定相位關系的存在，採集來自遠端區域的信號的瞬時相位，並隨時間測量它們之間的差異。如果差分導數為零，則暗示瞬態固定相位關系。近年來，基於隱馬爾可夫開發的一種技術能夠迴避窗口問題。該方法假設電生理數據由一系列相互排斥的隱藏「狀態」控制。這意味著在任何一個時間點，大腦都可以說是處於一種特定的狀態。在未平均或靜止狀態中，PDD和類似指標往往是不穩定的，並且最終會在時間窗口上取平均值，這最終導致滑動窗口面臨同樣的問題。然而，在基於任務的研究中，假設相同的實驗範式重復多次，PDD 可以在試驗中平均。

一種基於隱馬爾可夫建模的技術（HMM）能夠迴避窗口問題。迄今為止，該技術主要應用於MEG，但最近的論文已將其用於EEG和fMRI。HMM假設電生理數據由一系列相互排斥的隱藏「狀態」控制。這意味著在任何一個時間點，大腦都可以說是處於一種特定的狀態。在最簡單的形式中，HMM可以描述單個電生理時間過程中的狀態。每個狀態都可以用電生理數據的高斯分布來描述。使用這種無監督的方法，大腦何時進入或離開特定狀態的識別是自動化的。因為 HMM以數據驅動的方式自動選擇時間窗口。

3  利用正在進行的電生理活動來定義電生理連接組

許多常見的電生理分析本身無法提供對大腦行為關系的全面機制理解。電生理測量通常重復多次，並且在試驗中對數據進行平均，以檢測相對於「基線」參考期的可能影響 。 在大多數電生理研究中，基線被丟棄，將持續的大腦動力學視為「噪音」。在這里，我們主張充分利用，而不是「糾正」，正在進行的神經過程及其空間組織對電生理記錄的貢獻。與任務相關的連通性變化通常將正在進行的電生理過程視為「噪音」。 同樣重要的是，研究少數與任務相關的感測器的選擇方法忽略了電生理數據的分布式空間組織 。 3.1小節詳細闡述了正在進行的電生理活動的空間組織（即跨區域對的連接強度的全腦模式），並討論其行為意義。3.2小節簡要回顧了有關正在進行的活動動態的最新證據。

3.1  持續的電生理活動具有內在的時空組織

3.1.1 顱內電生理學中的內在空間組織

盡管顱內研究通常缺乏全面描述內在連接網路所需的全腦覆蓋，但個別研究證實了特定內在連接網路的存在 。 一項研究報告表明，在所有規范頻帶中，組級 fMRI 連接組與匯集的全腦ECoG連接組之間存在適度的關聯。值得注意的是，盡管許多尋求與 fMRI 衍生的功能連接相似性的研究都集中在高伽馬功率的緩慢共波上，但上述研究擴展到其他振盪頻率的幅度耦合以及振盪相位的測量。總之，人類 iEEG 研究提供了關於存在跨振盪頻率和連接測量的持續電生理連接的內在空間組織的信心，並且還為 fMRI 中經常報告的空間網路組織提供支持。

圖2 電生理數據中內在的全腦連接組織。A)在源空間MEG幅度耦合中通過基於種子的連接觀察到的感覺和運動的內在腦連接。光譜圖（右）表明alpha和beta波段振盪對這些內在網路的貢獻很大；B) MEG中特定頻帶的振盪幅度的內在腦連接（顯示了四個作為示例），包括感覺/運動以及高階網路；C)連接強度在 fMRI 和顱內電生理學（ECoG 幅度耦合）之間存在空間關聯。對於所有頻段，這種相關性的強度約為 0.35；D）在 fMRI 和同時記錄的頭皮腦電圖（相位耦合）之間觀察到類似的連接強度的空間關聯。左側散點圖顯示了 beta 波段的示例，其中每個數據點來自連接組的一個區域對，平均跨受試者中以相似的效應大小重現。

3.1.2 顱外電生理信號的內在空間組織

有了對內在空間組織建立的信心，我們轉向全腦連接組的MEG和 EEG 源空間研究。許多 MEG 幅度耦合研究為使用基於種子的相關性提供了感覺和運動趨同的證據。雖然其中一些研究使用寬頻信號，但那些專注於不同頻段的研究通常報告 α 和β 頻段在反映 內在腦連接方面佔主導地位。此外，雖然幅度耦合一直是MEG 靜息狀態連接組研究中更常用的連接模式，但 MEG 相位耦合顯示出由內在腦連接錨定的類似空間分布。 盡管與 MEG 相比，EEG 對體積傳導的敏感性更強，但 EEG 同樣有力地反映了連接組的內在空間組織 。

圖3 功能網路的毫秒動態。A）應用於靜息狀態MEG的隱馬爾可夫模型(HMM)提取數據。每個狀態都由特定的地形決定。這些狀態圖類似於fMRI通常觀察到的典型內在連接網路 (ICN)。B）與 HMM 狀態相關的時間尺度顯示在面板A中；C)「重放」是大腦自發地重新審視最近獲得的信息以例如鞏固記憶的過程。這些重播事件與特定 HMM 狀態發生概率的改變有關。左圖顯示了「重放」事件期間 HMM 狀態發生概率的變化。右側的地圖顯示了在回放期間更有可能表達的四個大腦網路，其中包括默認模式和頂葉阿爾法網路。

3.1.3 跨認知狀態的內在電生理連接組的穩定性

大規模連通性的內在空間組織的一個關鍵特徵是其認知上下文的相對獨立性。這種對認知環境的不敏感性在fMRI中得到了很好的量化，表明大腦的fMRI 衍生的時間平均連接組組織的特定任務變化很小。然而，與 BOLD 信號的非周期性慢速波動相比，基於振盪的功能連接可以很好地支持認知過程所需的數十到數百毫秒的快速時間尺度上的遠程通信。這種能力是否會導致認知環境對電生理 FC 組織進行更強的重構？諸如上述討論的電生理連接組研究通常側重於無任務靜息狀態，很少有電生理連接組研究定量比較認知狀態。

一項這樣的研究分析了不同喚醒水平和日常活動的一天 iEEG 記錄。源自 100秒和更長周期的幅度和相位耦合在晝夜循環中顯示出一致的空間組織。一項使用感測器級腦電圖的相關研究確定了振幅和相位耦合組織在不同睡眠階段和覺醒的高度空間相關性。源空間中的EEG研究表明，在對不同任務（靜止狀態、視頻觀看和閃爍光柵）進行幾分鍾計算時，相位耦合在空間上是一致的，並且跨頻帶具有相似的模塊化組織。相位和幅度耦合揭示了跨認知狀態的高度相似、很大程度上與狀態無關的空間分量。這種空間組織在所有頻帶之間共享。

總的來說，這些研究表明，功能連接的空間組織在認知狀態（包括覺醒水平、靜息清醒和具有不同認知需求的任務期）上基本穩定，即它本質上主要是內在的。該組織在很大程度上也是跨頻段共享的。因此，電生理連接組的動態變化，包括那些自發發生的、由任務環境引發的或由刺激引起的變化，應該根據相對穩定的內在組織的信息偏離來研究 。

3.2 持續的活動在快速的時間尺度上動態變化

連接性隨時間變化的現象已得到充分證實。雖然連接的靜止狀態波動很明顯，但有時很難（甚至不可能）將這些波動與行為聯系起來 。 奧尼爾等人使用滑動窗口來演示電生理連接如何隨著運動任務而變化。這項工作採用了一種基於典型相關性的方法，能夠檢測感覺運動系統中的「子網路」。Neill 等人使用 6 秒滑動窗口測量了完整的連接組矩陣，並展示了 Sternberg 工作記憶任務期間網路的形成和分解。 這些研究開始表明，功能連接的完整動態方法為任務誘發動力學提供了新的見解 。

使用隱馬爾可夫模型可能會消除滑動窗口（和類似）方法的局限性 。 在 Baker 等人的早期論文中，這種方法被用來揭示大腦狀態的復發，這些狀態被證明存在於幾百毫秒的時間尺度上。Vidaurre 等人表明可以從正在進行的電生理數據中提取規范的 ICN（運動、視覺、默認模式）。重要的是，這些網路再次被證明可以在快速（<100ms）的時間尺度上進行調制。這些研究表明，規范ICN的表達可能會在比以前想像的更快的時間尺度上發展。

測量網路動力學毫秒波動的能力引出了一個問題，即是否可以使用相同的方法來理解電生理數據的持續時空特徵如何與任務相交 。 Higgins 及其同事最近的工作解決了這個問題。作者使用 HMM 來模擬自發記憶「重放」期間的網路波動。回放是與特定項目相關的神經活動自發啟動以鞏固記憶的過程。回放事件通常在默認模式和頂葉 alpha 網路的激活期間選擇性地發生——這兩個網路已知與內向注意力相關。 這些發現提供了迄今為止最清晰的指示，表明正在進行的電生理網路活動如何被動態和選擇性地調節以支持認知處理 。

綜上所述，電生理學為以毫秒級時間和高空間精度標測動態連接體提供了最佳途徑。結合對神經生理學相互作用的有意義的測量，它有助於更好地表徵靜息狀態無任務數據。此外，電生理學還有助於更深入地理解任務誘發事件與正在進行的大腦活動之間的關系 。

4  有意義的電生理信號的頻率帶寬是多少？

電生理信號的毫秒級解析度是他們最大的神經科學資產。資訊理論的一個主要結果是，信號分量以采樣頻率的一半的速度演化，就可以傳達有意義的內容。當前電生理學硬體的數字化采樣率可以高達每通道幾十kHz。這是否意味著高達10kHz的大規模大腦信號波動傳達了對識別連接組相互作用有意義的信息位 。

在特定環境中測量特定生物系統的每一種儀器都容易受到雜訊的影響。雜訊表徵經常被隨便忽視，因為它具有挑戰性或根本不切實際。在我們的領域中，MEG系統最適合仔細表徵環境和儀器雜訊條件。運行「空房間」測量確實被認為是一種很好的做法，即在每個實驗會話周圍沒有參與者在 MEG 感測器陣列下的情況下，以捕獲可能在會話之間發生變化的雜訊條件的導數，此類「干」數據運行有助於表徵技術本底雜訊及其頻譜時間結構。

對於EEG，「空房間」條件是不切實際的，因為電極信號需要直接接觸導電介質，即頭皮或精心製作的導電體模設置。因此，截止頻率和采樣率通常是特殊定義的，通常設置在數百赫茲的范圍內。這既不完全嚴謹也不令人滿意，而只是舉例說明了實驗神經科學的某些方面如何仍然受到實踐的指導。

考慮1 kHz采樣的數據，這是該領域常見的范圍。因此，理論上可用於信號分析的最大頻率為500 Hz，實際上約為 250-300 Hz，這通常由儀器的附加抗混疊硬體濾波器強加。一個 250Hz 的大腦信號頻帶代表了一個由慢到快波動的廣闊領域，以表徵 電生理連接 組。從電氣工程的角度來看，電生理數據因此被認為是 寬頻 信號。有經驗證據表明，頭皮和皮質記錄可以捕獲與復雜的人類行為或臨床症狀有意義相關的快速（高頻）信號。例如，外部感覺信號的神經夾帶是一種強大的實驗方法，可以通過在高達100 Hz左右的快速頻率下特別提高它們的信噪比。刺激事件也可以誘發100 Hz以上的高頻振盪突發並且由癲癇腦自發產生。這種快速信號是否在大腦網路的區域間通信中發揮作用是一個積極研究的問題。

總之，寬頻信號可以實現豐富多樣的信息通道。這意味著神經信息位可以通過不同的信息通道（例如限制在窄頻帶內的振盪信號）和/或通過更復雜的信號編碼形式（例如相位幅度、交叉頻率）在區域之間並行傳輸互動或以上所有。這些考慮對於產生可測試的機械假設以理解定義功能連接組的電生理信號相互作用的性質具有深遠的意義 。

5  總結

本文總結了跨電生理學和功能磁共振的連通性在空間和時間上的收斂，它們不受逆問題的影響。我們還強調了電生理連接與個體內部和個體之間的行為的關聯，以及與認知過程（如記憶鞏固）相關的快速時變連接動力學，這些進一步支持了源定位電生理連接的重要性。使用血流動力學信號在很大程度上無法獲得如此快速的連接組狀態變化。此外，電生理和功能磁共振連接可能反映部分不重疊的神經和生理現象。功能性磁共振被概念化為由血流動力學反應平滑的電生理活動。然而，經過優化以在快速或慢速時間尺度上進行通信的神經群體和神經束可能分別通過電生理和功能磁共振測量得到更大的權重，並且功能磁共振連接可能容易受到跨區域血管需求的影響 。

最後，我們認為全腦電生理連接組學是基礎和臨床神經科學研究的機會。我們希望當前的觀點和立場能夠激發人們的信念，以充分利用人類大腦的分布式持續電生理中未知的財富。

參考文獻：

Connectomics of human electrophysiology

㈡ 神經反饋丨關於腦磁圖（MEG）的那點事

Hello，

這里是 行上行下 ，我是隔壁 壹腦雲 的 石子 ~

前期文章[ 神經反饋的前世今生 ] 對神經反饋做了一個大致梳理，我們知道根據大腦活動信號的種類，神經反饋可以分為 基於電生理學的神經反饋 以及 基於血流動力學的神經反饋 。

基於電生理學方法的神經反饋根據提取電生理活動指標的方法與技術手段可以分為 基於腦電圖( Electroencephalogram,  EEG)的神經反饋 、 基於腦磁圖(Magnetoencephalography, MEG)的神經反饋 以及 基於腦皮層電圖(Electrocorticography, ECoG)的神經反饋 方式。

本期我們主要圍繞腦磁圖(MEG) 技術進 行探討 。

什麼是腦磁圖 (MEG)

腦磁圖（MEG） 是一種旁物差通過測量腦磁場信號，對腦功能區進行定位及評價其狀態的新技術，具有對人體無侵襲和無損傷等特點，目前已在人腦的功能研究和臨床上進行應用。

腦磁圖對腦電磁場監測的生理學基礎

神經元在興奮時通過膜內外離子通道的開閉產生隨時間變化的電流，一般情況下，通過神經生理手段記錄到的單個神經元興奮產生的電位變化在幾十毫伏水平，其產生的微弱磁場幾乎不可能在頭皮上被監測到。

因此，形成一個可監測的腦磁圖信號需要大量神經元放電的疊加。

基於神經計算模型和經驗數據，大約10000—50000個排列一致的神經元幾乎同時放電可以產生一個宏觀上可以監測到的電磁信號。

人類大腦皮層中，每平方毫米中大約有100000個神經元錐體細胞，平均每個神經元有上千個突觸，同時在皮層中多數神經元是垂直於皮層表面的，在局部具有方向一致性，這構成了宏觀可監測的腦電磁信號的生理基礎。

同時包括顱骨在內的所有腦組織的磁導率幾乎是相同的，也就是說大腦對於磁場的傳播基本上是「透明」的，這為獲得近乎無損的實時腦磁場神經信號探測提供了強有力的驅動。

但是想要記錄這些近乎無損的神經磁信號卻是非常困難的，典型的腦磁場在頭皮外的強度介於10—100fT（1fT=10-15T）量級，約為地球磁場的億分之一。

如何在相對巨大的地球磁場背景下和劇烈波動的外界電磁波動態干擾下實現極弱腦磁信號的探測與記錄，在技術上給人類提出巨大挑戰。

 

腦磁圖（MEG）技術的起源與發展

1819年，丹麥物理螞辯學家漢斯奧斯特發現導體內的電流會在周圍空間產生磁場。

1969年，Choen博士使用SQUID感測器裝置（單信道的感測器）裝置在他的研究所的磁場屏蔽室內完成了人類第一次腦磁場測量。

1972年，美國 《科學》 雜志發表了Choen博士的題為「用超導磁場計探測腦的電氣活動」的論文，從此揭開了用超導技術探測人腦生物磁場奧秘的篇章。

19世紀80年代，隨著計算機技術的不斷發展和應用軟體技術的開發，MEG由單信道發展成37 信道感測器裝置，並用於癲癇的診斷和一些腦功能方面的研究。

19世紀90年代，全頭型的多信道MEG測量系統研製成功，只需一次測量就可採集到全頭的腦磁場信號。而且可與MRI或CT等解剖影象信息疊加整合，形成腦功能解剖學定位，准確地反映出腦磁場瞬時的功能狀況，使用方便快捷，並應用於神經科學、神經外科學、癲癇、小兒神經疾病等臨床科學的研究。

21世紀初，在全頭型MEG系統技術成果的基礎上又研究成功胎兒MEG儀，可對胎兒腦、心臟等臟器進行磁場信號的檢查，進一步推動了MEG的發展與應用。

 

基於腦磁圖的神經反饋系統的組成部分

 

基於腦磁圖（MEG）的神運皮經反饋系包括四個最主要的組成部分，分別是： ①磁屏蔽系統 ：確保腦磁信號不被外界磁場干擾； ②腦磁圖測量裝置 ：主要為超導量子干涉儀及探測線圈組成； ③刺激系統 ：如聲音刺激裝置、視覺刺激裝置等； ④信息綜合處理系統 ：主要由分析工作站組成。

腦磁圖與腦電圖的區別

盡管信號來源相同，腦電和腦磁在信號構成和特徵上還有著顯著的區別。

1.腦磁圖主要測量細胞內電流產生的磁場，腦電圖主要測量的是細胞外容積電流產生的電位。

2.腦磁圖測量的是神經元在顱外產生的磁場，不受頭皮、顱骨、腦脊液的影響，定位精確；腦電圖測量的是電流在穿過不均勻的頭皮、顱骨、腦脊液時電流發生衰減後的電位 ，由於上述組織對電的傳導性不同，電流在穿過上述組織時方向發生偏轉，導致腦電圖定位不準確

3.腦磁圖操作簡便，不需要電極

4.從經濟上講，腦磁圖設備昂貴，檢查費用高，腦電圖價格便宜。

腦磁圖的應用研究

一、基礎研究方面

MEG可用於聽覺、視覺、語言、運動、腦細胞信息處理、胎腦發育、記憶、智力、睡眠與心理研究等眾多領域。 使用MEG可以對在大腦皮質中和感覺信息處理相關的數個區域進行分析。

1.MEG能夠定位聽覺中樞 ，顯示出聽覺腦神經組織，進行注意力效果的測定。

2.MEG對視覺中樞也能夠明確定位 ，並且容易測量到與視網膜關聯的腦神經組織，以及相關的病理學狀態，並能評價其視覺功能上的特殊性。

3. MEG能夠用於辨別大腦皮質中進行語言處理的區域 ，使語言與腦功能區的研究更加方便和深入。

目前MEG已應用於一系列的 腦神經科學、精神醫學和心理學 方面的研究，為揭示思維的本質，了解人為什麼成為有個性、有感情、有思想的生命體提供了非常有效的研究途徑。

二、臨床醫學的應用

1.顱腦手術前腦功能區和手術靶點定位

在MEG之前，只能根據MRI或CT等常規影像學檢查結果及臨床經驗進行估計。當病變與腦功能區關系密切或已侵犯功能區時，病變往往使腦的正常解剖結構發生位移或變形，依靠常規影像學檢查，很難准確判斷功能區的位置。許多神經疾病由於沒有明顯的結構異常，因此很難用影像學檢測手段判斷病灶。

2.癲癇病灶的定位

癲癇是一種由於腦部神經元反復異常放電而致短暫腦功能失常的疾病，是神經科僅次於腦血管病的第二大頑症。確定誘發癲癇發作的局限性區域是一個還是多個，確定這些區域的位置，以及確定這些區域是否靠近重要的腦功能區域，對採取正確的手術方案和取得較滿意的治療效果十分重要。

研究表明：大約只有 20 %的癲癇手術患者可只通過圖像數據進行診斷，其餘的則需通過腦功能圖像進行定位。應用頭皮EEG描記定位的僅為30%-40% , 可靠性較低，不能為治療提供足夠的定位及功能方面的信息。

MEG可檢測到直徑小於2mm的癲癇灶，並能將其焦點位置定位在MRI或CT上，形成集病灶與腦重要功能區為一體的解剖或功能形態學影像，這也為外科手術治療頑固性癲癇提供了准確的定位診斷，臨床符合率可達80 %以上。

3.腦功能損害判定

MEG還常用於神經病理及功能性缺損的判定，如腦外傷的評估、患者神經狀態的測定、神經葯物有效性的評價等。

小夥伴們也可以在留言區將自己的相關經驗分享一下，和大家互相交流哈~

分享完畢，希望有所幫助。 記得點贊關注哦

  參考文獻：

[1]盛經緯, & 高家紅. (2021). 腦磁圖儀的前世今生與未來. 物理, 50(7), 7.

[2]孫波. 腦磁圖在神經科學中的應用. 全國神經核醫學與神經科學新進展研討會暨核醫學科普專家工作會議.

[3]Okada Y C , Lahteenmaki A , Xu C. Clin. Neurophysiol., 1999,110 (2)：2 3 0

[4]Murakami S,Okada Y. J. Physiol.,2006,575(3)：925

[5]Hamalainen M, Hari R, Ilmoniemi R J al. Rev. Mod. Phys., 1993,65(2)：413

[6]常義, & 劉宏毅. (2006). 腦磁圖在神經外科領域的應用. 臨床神經外科雜志, 003(001), 40-41.

[7]程光, & 章翔. (2002). 腦磁圖的發展及應用研究. 中華神經外科疾病研究雜志, 1(3), 3.

[8]孫吉林. (2005). 腦磁圖(meg)常見問題. 現代電生理學雜志, 12(4), 5.

整理/排版：石子

校對：喵君姐姐、Ting Zhang

㈢ 華為又一新專利獲授權！可用腦電信號檢測司機注意力，這又是什麼黑科技

華為這項專利的背後，是高度先進的科學設計。

華為專利無孔屏，代表了華為乘風破浪、勇於創新的精神：相機壓到銀行卡厚度的驚人技術，其他手機廠商都喜歡甚至無法想像。但是，華為敢為天下先，乘風破浪，攻堅克難，成功研發並掌握了無孔屏技術，這說明華為員工不僅技術先進，而且鉛謹膽子很大。華為公布了自己的新專利，無線充電，很多人都熟悉無線充電，但是汽車也可以無線充電，估計你沒聽說過，但是現在華為技術已經到了這一步，而且被授權給汽車無線充電，這項技術肯定會產生巨大的影響。

㈣ 腦電波晶元的晶元介紹

通過這個晶元，人類的情緒狀態終於可以開始控制電子產品了。
· 直接與干頌慧電極相連
· 單EEG腦電通道+參考電極+地線
· 可以檢測到極微弱的腦電信號
· 可過濾掉噪音，抗干擾
· 512Hz原始腦電信號 · 尺寸：畝陵2.79cm×1.52cm×0.25cm
· 最大重量：130mg · 原始腦電信號
· 專注
· 放鬆
· 眨眼
· 腦波：delta, theta, low alpha, alpha, low beta, gamma · 采樣率：512Hz
· 硬體濾波：3Hz-100Hz
· 靜電保護：4kV接觸放電; 8kV隔空迅櫻戚放電
· 最大消耗功率：15mA @ 3.3V
運行電壓 2.97—3.63V
· UART串連口
- 波特率：1200,9600,57600
- 12-bits
- No parity
- 1 stop bit

㈤ 【文獻閱讀】MEG和EEG的多變數模式分析對比

原文：Multivariate pattern analysis of MEG and EEG: A comparison of representational structure in time and space
MEG和EEG的多變數模式分析：表徵性結構在時間和空間的比較

亮點 ：系統比較了MEG和EEG在採用SVM的RSA分析時的結果差異，其比較思路和技術細節值得參考，例如給出了採用方法的詳盡理由，包括優點辨析和成功條件。也展示了如何用RSA結合EEG/MEG和fMRI進行研究。可以加深理解MEG、EEG差異，以及RSA分析方法的使用邏輯和注意問題。
【內容巧旦】為個人思考補充

腦磁圖MEG和腦電圖EEG來進行多變數模式分析可以揭示認知背後的高時間解析度的神經機制，但問題是 MEG和EEG的神經活動采樣存在系統的差異 。
Method ：為了解釋這個問題，在被試觀看 日常物體的圖像 時進行了同步的腦磁圖MEG/腦電圖EEG研究。對腦磁圖和腦電圖數據進行多變數分類分析（multivariate classification analyses），互相比較時間進程下的結果，並對功能磁共振成像數據進行單獨的空間分析。
Result ：腦磁圖和腦電圖顯示的視覺處理的毫秒級時空變化基本一致。除了產生收斂的結果外，也發現了腦磁圖和腦電圖對於視覺表徵部分獨特的方面。 相較於EEG，在MEG這些獨特的成分較早出現 。通過fMRI識別這些獨特成分的來源， 無論腦磁圖還是腦電圖都來自於高級視覺皮層，而腦磁圖還顯示了來自低水平視覺皮層的成分 。
Conclusion ：總之，對MEG和EEG數據的多變數分析提供了一個關於神經處理的趨同和互補的觀點，並促使在MEG和EEG研究中更廣泛地採用這些方法。

16名健康人類志願者（7名女性，年齡mean ± s.d. = 24.1 ± 4.5）

刺激集包括92張彩色照片（Kiani等人，2007；Kriegeskorte等人，2008b；Cichy等人，2014，2016b），包括人類和非人類的面部和身體，以及分隔在灰色背景上的自然和人工物體（圖1a）。

被試觀看在屏幕中心呈現的圖像（視覺角度4度），時間為500毫秒，並疊加一個淺灰色的固定十字。共15次測試，每次持續290秒。在每次測試中，每個圖像都以隨機順序呈現兩次，試驗間隔（ITI）被隨機設置為1.0或1.1秒，概率相同。被試被要求保持固定，並在每3至5次試驗中隨機顯示回形針圖像時按下按鈕並眨眼（平均4次）。回形針圖像不是92個圖像集的一部分，回形針試次被排除在進一步分析之外。

同時採集MEG和 EEG 信號。MEG 306個通道，EEG 74個通道。
先用Maxfilter software，採用默認參數處理清除不良數據。之後用BrainStorm進行預處理，分段是-100 到 900ms，採用30Hz低通濾波

【以下分析為揭示兩種數據對於不同實驗材料和概念水平進行孝坦擾分類的精度】
使用了多種采樣方式
1）全部74個EEG通道；2）全部306個MEG通道；3）74個MEG通道的隨機子集和同樣數量的EEG通道路；4）380（306+74）個所有MEG和EEG通道等

首先確認了單個實驗條件下，區分MEG和EEG激活模式的時間進程。分類採用了SVM線性支持向量機，使用libsvm軟體，固定正則化參數，C=1.
【Feature selection】分類方法是時間分辨的，從MEG和EEG通道的測量結果中分別創建了每一毫秒的模式向量。特別是，對於每個時間點t（從-100到900毫秒，以1毫秒為單位）， 每個試驗的特定條件下通道激活值作為模式向量 （M =30【15個run，每個材料重復兩次】），從而產生30個原始模式向量。
【Pattern assembly & partitioning】【Average】為了減少計算負荷，提升信噪比，按照隨機順信肆序再次平均了每組（k=5）的M向量，得到了M/k=6 個的平均模式向量。
【Pairwise classification】對於所有成對的條件組合，在平均的模式向量上訓練和測試SVM分類器。詳細來講，M/k-1個模式向量被分配到一個訓練集來訓練SVM。保留的模式向量被分配到測試集，用來評估訓練後的SVM的性能（%解碼准確率）。
訓練和測試程序重復100次，隨機分配原始模式向量到平均模式向量。對於減少通道數據集的情況，這也涉及到對每個迭代的通道進行重新取樣，以獲得解碼准確的無偏估計。
【RDM】對於每個時間點，將跨迭代的平均分類結果存儲在92* 92大小的矩陣中，按分類條件的行和列進行索引。這個解碼矩陣是對稱的，有一個未定義的對角線（因為條件內沒有分類）。

評估了何時MEG和EEG激活模式可以在 上級（有生命與無生命，自然與人工）、中級（身體與面孔） 和下級（人與動物的身體和面孔）這三個水平區分五種不同物體類型。為此，根據矩陣元素索引的條件對，將92* 92解碼矩陣劃分為相關分類的類別內和類別間。類別間減去類別內的解碼准確度的平均值 作為 類別的聚類衡量標准 ，表明關於類別成員的信息超過單一圖像的可辨別性。

【以下分析為揭示MEG和EEG測量的差異之處】
為了揭示MEG和EEG數據的多變數模式分析所發現的視覺表徵的共同與獨特之處，使用了表徵相似性分析（RSA）。將 解碼准確率作為異質性（dissimilarity）測量指標：解碼准確率越高，分類條件的激活模式就越不相似。
使用由 線性SVM確定的解碼准確率作為距離測量的優點 是：i）它可以自動選擇包含鑒別性信息的通道，從而避免了基於人類的選擇的需要，因為這種選擇可能帶來偏見；ii）它可能對噪音很強的通道不那麼敏感，而不是對所有通道的貢獻進行同樣權重的測量，如相關性分析。
MEG和EEG解碼矩陣被解析為 表徵差異矩陣（RDMs） ，這允許在兩種模式之間進行直接比較。其基本思想是，如果EEG和MEG測量類似的信號，那麼在EEG中喚起類似模式的兩個物體也應該在MEG中喚起類似的模式。
RDMs的有效比較要求它們 由獨立的數據構建 （Henriksson等人，2015）。否則，與實驗條件無關的trial by trial信號波動，如認知狀態（注意力、警惕性）或外部雜訊（運動、電磁雜訊）將膨脹、扭曲，並使EEG和MEG之間的相似性產生偏差。
為了獨立構建MEG和EEG的RDMs，我們將數據分成兩半，將偶數和奇數試驗分配到不同的集合 。然後我們用RSA比較了（Spearman's R）來自split half 1與split half 2的RDMs，在MEG和EEG測量模式內部和之間進行比較（Fig 3A）。重要的是， 由於相同試驗的腦電圖和腦電圖數據在每次分割中都被分組，腦電圖和腦電圖測量模式內部和之間的比較同樣受到逐次試驗波動的影響，因此具有很好的可比性 （如果腦電圖和腦電圖分別記錄於記錄在單獨的session，就不會出現這種情況【強調了兩個數據需要同時獲得而不能分別獲取的必要性】）。
比較不同成像模式（MEG與EEG）的RDMs，只顯示了視覺表徵的共同方面。比較成像模式內的RDMs（MEG vs MEG，EEG vs EEG）獲取的信度估計就包含了其共同和獨特方面。
因此， 模式內相似性減去跨模式相似性的差異 揭示了用MEG或EEG測量的視覺表徵的獨特方面。在這個分析中，時間分辨的分類與上述單個圖像分類類似，但為了減少試次，再次平均模式向量時平均k=3個的模式向量。

與已有數據進行對比【Cichy, R.M., Pantazis, D., Oliva, A., 2014. Resolving human object recognition in space and time. Nat. Neurosci. 17, 455–462.】

15名參與者在記錄fMRI數據時觀看了相同的92幅圖像集。每個參與者在兩個不同的日子裡完成了兩個測試，每個測試由10-14次trial組成，每次持續384秒。在每次運行中，每幅圖像都被展示一次，圖像順序是隨機的。在每次試驗中，圖像顯示500毫秒。【保持被試注意的任務】所有試驗中的25%是無效試驗，在此期間只呈現灰色背景，固定的注視點變暗了100毫秒。被試被要求用按下按鈕的方式來報告固定交叉亮度的變化。

兩個興趣區（ROI）：初級視覺區 V1（primary visual area）和下顳葉皮質IT（inferior temporal cortex）。

使用基於相關性的異質性測量為每個被試單獨構建fMRI的RDMs。
【構建相似性矩陣】對於每個ROI，提取並串聯每個圖像條件的fMRI 體素激活值 。然後，計算每對圖像條件的模式向量之間的所有成對相關系數（皮爾遜的R），並將結果存儲在一個92 92的對稱矩陣中，按比較條件的行和列索引。
【轉換指標】通過1-R，將相關相似性測量轉換為差異性測量。選擇這種距離測量的原因是，
1）它是fMRI分析中的常見選擇；
2）已被證明能夠與MEG數據成功融合；
3）計算速度快；並允許直接比較基於相同fMRI數據的結果。

為了進一步的分析，對所產生的異質性的測量進行了平均，產生 每個被試和ROI一個RDM 。

為了確定在MEG和EEG中觀察到的時間動態的空間來源，並將它們相互比較，使用了基於RSA的MEG/EEG-fMRI融合方法（Cichy等人，2014，2017，2016b，a）。
採取這一分析的目的是綁定特定的(無時間)的fMRI空間點與(無空間)的MEG/EEG時間點的表徵相似性，如果條件在fMRI和MEG信號空間中喚起類似的模式，那麼時間和空間的點就被聯系起來。
這種方法的成功關鍵是取決於，在物體視覺過程中表徵幾何學在空間和時間上的快速變化，從而空間解析度的fMRI RDMs可以與時間解析度的MEG RDMs獨特地聯系起來。
最後，為了比較基於不同MEG和EEG數據集的融合結果，我們基於一個通道采樣的結果中減去基於另一個通道采樣的結果，來獲得特定被試的融合結果。

對於每個ROI和被試，計算每個時間點特定的fMRI RDM和平均的MEG或EEG RDM之間的相似性，從而得到表徵相似性時間進程。（Fig 4A）

對每個fMRI被試，在時間點從-100到+500毫秒以5毫秒為單位，分別進行了Searchlight分析。對於每個體素v，在以體素v為中心、半徑為4個體素的球體中提取特定條件的t-value 模式（searchlight at v），並將它們排列成 模式向量 。
用1減去每對條件的Pearson's R 來計算模式向量之間的成對不相似性，從而得出fMRI RDM。然後計算探照燈特定的fMRI RDM和被試平均的MEG或EEG RDMs之間的相似性（Spearman's R）。
對大腦中的每個體素重復這一分析，得到了fMRI和MEG或EEG在每個時間點的表徵相似性的三維圖。對所有的時間點重復同樣的方法，我們得到了一系列的三維地圖，揭示了在物體感知過程中人腦的時空激活，這些激活分別由MEG和EEG記錄。

置換檢驗和bootstrap

對於每個時間點，對解碼矩陣的所有元素進行了平均，產生了所有實驗條件下特定條件下解碼准確性的大平均時間過程（Fig. 1C）。觀察到MEG/EEG 的所有四個主要通道采樣的顯著效果。這表明， 原則上MEG和EEG信號都可以進行同樣的多元分析 ，並再現了Cichy等人（2014）基於腦電圖的結果。

鑒於MEG和EEG在解碼單一圖像方面的定性和定量差異，調查了MEG和EEG在揭示不同分類抽象水平的物體類別處理信息方面是否也有差異。
按照Cichy等人（2014）的方法，我們將解碼准確率矩陣劃分為兩個分區：圖像屬於統一類別淺灰，不同類別深灰。
平均子類之內和之間的解碼正確率（decoding accuracies）的比較作為檢驗類別的聚類標准。其原理是，為了揭示多於單個圖像信息的類別信息，必須從表明單個圖像和類別之間（不同的子類）的差異的信息中減去表明單個圖像之間的差異的信息（相同的子類）。這就產生了對一個表徵的明確測量，即類別信息可以以線性方式讀出（DiCarlo和Cox，2007）。
發現在MEG和EEG的sensor的所有四個采樣中，所有五個細分類別的信息都有明顯的信號（Fig 2A-E，中間部分，除了EEG中的自然性）。
從差異的角度來看，僅發現微小的統計差異。且潛伏期無顯著差異。
最後，基於MEG&EEG與MEG采樣的結果比較顯示，除自然性外，所有情況下都有差異（Fig 2A-E）。

平均單幅圖像解碼准確性和特定類別的信號是匯總統計，只能部分反映腦電圖和EEG數據中豐富的多變數信息。如果考慮到解碼矩陣所捕獲的整個表徵空間結構，那麼腦電圖和EEG是如何比較的呢？為了進行研究，在完整的解碼矩陣上使用了表徵相似性分析（RSA）

Fig 5B，發現了一個正性顯著的表徵相似性時間過程，表明視覺表徵的某些方面被兩種模式都捕捉到了。同時也存在一個顯著高於跨模式表徵的相似性，表明MEG和EEG也分別解決了視覺表徵的部分獨特方面。

MEG和EEG獨特信號的時間進程是不同的：MEG的峰值延遲明顯早於EEG的峰值延遲。

發現了兩個腦區在所有通道采樣方式的情況下顯著的fMRI和MEG/EEG的表徵相似性（Fig4 BD）
在比較 MEG和EEG的差異和共同之處時，
首先，比較峰值潛伏期，沒有發現顯著差異
其次，比較減去EEG或MEG的結果（Fig4 CE）觀察哪種模式和fMRI相似性更高。發現MEG為基礎的融合相似性一致的強於EEG為基礎的融合。
第三，進一步進行偏相關分析。發現MEG 在V1腦區的獨特成分比EEG更敏感（Fig 5）

基於MEG和EEG的與fMRI數據的融合都揭示了腹側視覺流中表徵相似性的逐級前饋（feedward cascade 前饋級聯）早期的表徵關系在枕極（occipital pole）類似，以可比較的動態變化沿腹側視覺通路迅速擴散。（Fig.6B）

總體而言結果表明，MEG和EEG都很適合與fMRI數據進行基於RSA的融合，以揭示皮質信息流，但沒有揭示MEG/EEG對視覺表徵獨特方面的進一步敏感性來源。

總的來說，幾乎所有在一種測量模式中產生重要結果的分析在另一種模式中也產生了重要結果（EEG的自然性分類是唯一例外）。
通過基於分類的時間進程對腦電圖和EEG進行比較，以及直接通過表徵相似性分析，產生了對神經表徵的共同和獨特方面的敏感性證據。
MEG和EEG與fMRI的融合使獨特的方面得到了空間定位：兩種模式都捕捉到了高水平視覺皮層中表徵的獨特方面，而MEG也捕捉到了低水平視覺皮層中的表徵。可能是由於低級視覺區位於淺層來源，而高級視覺區是深層來源。因為低級視覺區神經元活動更早出現，所以MEG更早的峰值，也可以被解釋為MEG對淺層神經源更敏感。

並且在通道數保留很少（32）時，大部分效應仍然可以被觀察到，說明了RSA可以應用於只有少量通道時的情景。

EEG效應弱於MEG，說明MEG在需要時間解析度時是更優選

㈥ [轉載]EEG偽跡

參考文章：
EEG信號偽跡來源及可能原因分析
知乎 zhuanlan.hu.com/p/42681420
微信

1.1 眨眼和其它眼動
眼電（EOG）主要是由眼球移動或眨眼造成，振幅大，主要表現在大腦前額部分較明顯。具體的產生與糾正方法可參看前段時間推送的文章 《腦電分析之眼電去除》

1.2 心電偽跡
心電（ECG）主要是由心臟跳動產生的干擾信號，通常在普通的EEG/ERP實驗中，受到的干擾較小，所以一般沒有做處理。但是在EEG-FMRI實驗中，是使用單極導聯記錄心電信號，這是要處理心電信號中的R波帶來的干擾。

1.3 肌電偽跡
肌電（EMG）信號主要是由頭部、肢體、下巴、舌頭微小蠕動以及吞咽等運動所產生的干擾信號。EMG信號的頻率通常大於30Hz，這在採集信號時，就可以清楚的看出在波形上有很多毛刺信號，這類信號一般就可以認為是肌電偽跡。頭部和面部產生的肌電信號主要發生在額或顳區；舌頭蠕動或吞咽，肌電信號主要在顳區。產生肌電信號時，為了能實時的看清產生腔知的腦電信號，可以使用低通濾波器把肌電偽跡實時去除，但是一般情況下的實驗，我建議不要輕易的進行此操作。
1.4 血管波偽跡
這類偽跡信號，主要是電極埋在了血管附近，血管波信號是一類很有規律的信號伍孫消，有點類似於心電信號的規律。就目前，我所見的到常發生的電極在額或顳區，主要的電極點FT7、FT8。
1.5 出汗偽跡
這類偽跡主要是由於實驗時，溫度升高造成頭皮出汗，記錄的信號會發生慢漂移，這種信號是可以避免的。在合適的實驗環境也是非常重要的一點。
1.6 運動偽跡
這類信號主要是凱孫由於受試者在實驗中發生一些移動、頭部或身體的一些晃動，這類信號也是可以避免的，在實驗前指導語提示受試者在實驗過程中盡量不要移動。

2.1 50Hz工頻干擾
50Hz信號主要的來源市電50Hz/60Hz交流電對設備的干擾，亦或者是地線接觸不良造成的干擾。
2.2 電極安放時接觸不良
這類干擾極有可能是在實驗時，電極的移動造成阻抗的變化導致信號急劇發生偏轉。
2.3 設備間的電磁波干擾
這類信號是由於EEG設備在工作時，周圍有其它大功率的設備同時在工作產生的電磁波干擾。

參考文章：
腦電分析之參考電極變換
腦電分析之偽跡去除（以Analyzer和curry為例）

㈦ eeg採集數據屏幕上藍色

EEG（腦電謹隱圖）採集的數據通常會顯示在屏幕上以藍色的波形圖，這是因為藍色比其他顏色更容易被人看清祥辯廳楚。藍色的波形圖可以幫助醫生更好地識別和評估患者的腦電灶橋圖數據。EEG（腦電圖）採集的數據通常會顯示在屏幕上以藍色的波形圖，這是因為藍色比其他顏色更容易被人看清楚。藍色的波形圖可以幫助醫生更好地識別和評估患者的腦電圖數據。

㈧ 腦電圖（EEG）和事件相關電位（ERP）有什麼區別願意付出400分給最佳者！！！

一、獲取方式不同

1、腦電圖：是一種使用電生理指標記錄大腦活動得方法，大腦在活動時，大量神經元同步發生的突觸後電位經總和後形成的。

2、事件相關電位：是一種特殊的腦誘發電位，通過有意地賦予刺激以特殊的心理意義，利用多個或多樣的刺激所引起的腦的電位。

二、目的不同

1、腦電圖：是腦科學的基礎理論研究，腦電波監測廣泛運用於其臨床實踐應用中。

2、事件相關電位：反映了認知過程中大腦的神經電生理的變化，也被稱為認知電位，也就是指當人們對某課題進行認知加工時，從頭顱表面記錄到的腦電位。

三、特點不同

1、腦電圖：來源於錐體細胞頂端樹突的突觸後電位。腦電波同步節律的形成還與皮層丘腦非特異性投射系統的活動有關。

2、事件相關電位：給予神經系統(從感受器到大腦皮層)特定的刺激，或使大腦對刺激(正性或負性)的信息進行加工，在該系統和腦的相應部位產生的可以檢出的、與刺激有相對固定時間間隔(鎖時關系)和特定位相的生物電反應。

㈨ ccat是什麼的證書

中文全稱是「全國信息化計算機應用技術資格認證」，是由國家人事部中國高級公務員培訓中心和教告唯畢育部全國高等學校計算機教育研究會共同推出的一種在IT業，重操作技能、重管理能力的一種專業技術認證培訓和認證考試。

CCAT資格證書體現證書獲得者在某一專業技術范疇的理論水平和實踐能力。CCAT資格證書是與國際資格證書互認的專業技術資格證書，具有權威山慶性，此資格證書是計算機專業技術人才崗位評聘的有效依據。

ccat資格認證項目宗旨

CCAT資格認證項目宗旨就是要建立一套全新的計算機應用技術人才培養和考核機制，大規模培養我國信息化所需要計算機應用技術方面的應用型、管理型、決策分析型專業技術人才，並為企事業單位選拔高素質、復合襪芹型的人才。

以上內容參考：網路-CCAT認證