【脑机接口】脑电信号基础 BCI 核心基础术语详细解释(第1弹)

1.EEG 脑电图：指通过头皮表面的电极，采集大脑内部神经元活动产生的微弱电信号，再将这些信号记录、整理后形成的波形图，其信号幅值非常微弱，仅为微伏级别，比日常生活中使用的电压弱上万倍，是脑机接口研究中最核心、最基础的原始数据来源。

2.BCI 脑机接口：一种不依赖人体肌肉和神经传导路径的交互技术，它能直接捕捉大脑产生的电信号，通过特定算法将其翻译成机器能够识别和执行的指令，进而控制轮椅、假肢、电脑光标等设备，核心作用是为肢体瘫痪、运动障碍等人群，提供一种无需依靠肢体就能对外交流和控制的通道。

3.MI 运动想象：指被试在身体完全不动、不做出任何肢体动作的前提下，仅在大脑中主动想象特定肢体运动，比如想象左手动、右手动、抬脚或伸舌头，这种纯粹的大脑想象活动，会诱发大脑皮层产生特定的脑电信号变化，也是目前非侵入式脑机接口研究中最常用、最成熟的实验方式。

4.非侵入式 EEG：一种无创的脑电采集方式，采集时只需将专用电极贴片粘贴在头皮表面，无需进行任何手术、无需植入任何设备，就能隔着皮肤和颅骨采集到大脑的电信号，它安全、无痛苦、成本较低，且操作便捷，是目前脑机接口科研领域最主流的采集方式。

5.侵入式 EEG：一种需要通过外科手术才能实现的脑电采集方式，医生会将电极直接植入大脑皮层内部或表面，近距离捕捉神经元的电活动，这种方式采集到的信号质量极高、噪声极少，解码精度远高于非侵入式 EEG，但它存在手术创伤、术后感染等医疗风险，仅适用于临床重症患者的治疗和研究，不适合普通科研和日常使用。

6.导联 / 电极通道：指佩戴在头皮上，用于采集脑电信号的每一个独立电极位点，每一个电极对应头皮上的一个固定位置，专门采集该位置对应脑区的电活动，通常来说，电极通道的数量越多，采集到的大脑空间信息就越完整，后续的解码精度也可能越高。

7.国际 10-20 电极系统：全球科研和医疗领域统一采用的电极摆放标准，就像地球的经纬度一样，它将头皮划分为多个固定的电极位点，明确规定了每个电极的摆放位置、命名规则（如常用的C3、Cz、C4电极），目的是让全世界不同实验室、不同设备采集的脑电数据能够互相对照、重复验证，保证实验结果的统一性和可比性。

8.基线信号：指在脑电实验开始前，让被试保持安静、全身放松、不进行任何任务、不产生任何主动想象时，采集到的脑电信号，它相当于一个“参考基准”，后续采集被试执行任务（如运动想象）时的脑电信号，会与基线信号进行对比、校正，以此排除被试个体基础脑电差异带来的误差，让实验结果更准确。

9.伪迹：指混入到有效脑电信号中的各种干扰信号，这些信号并非大脑本身产生，而是来自外界环境或被试自身，常见的伪迹包括眨眼、眼球转动产生的眼电伪迹，咬牙、耸肩、肌肉紧张产生的肌电伪迹，家庭电路、电器带来的工频干扰伪迹，以及电极接触不良产生的抖动伪迹，伪迹会影响脑电信号的纯度，因此脑电解码的第一步就是尽可能去除这些干扰。

10.SNR 信噪比：指脑电信号中有效信号的强度与噪声信号强度的比值，这个比值直接反映了脑电信号的纯度，比值越高，说明有效信号越干净、噪声越少；比值越低，说明噪声越强，甚至可能盖过有效信号，而EEG信号本身就非常微弱，因此它的信噪比普遍较低，这也是脑电解码的核心难点之一。

11.试次 Trial：指一次完整的脑电实验任务流程，简单来说，被试每执行一次实验任务，比如接收一次运动想象指令、完成一次想象动作，采集到的那一条完整的脑电数据，就是一个试次，它是脑电实验中最基本的样本单位，多个试次会被整合起来，用于模型的训练和测试。

12.被试 Subject：指参与脑电实验的志愿者，这些志愿者需要按照实验要求，配合完成运动想象、安静休息等任务，以便研究人员采集到所需的脑电数据，被试的年龄、性别、身体状态等，都可能对脑电信号产生一定影响，因此实验中通常会控制这些变量。

13.被试内解码：一种脑电解码方式，指研究人员使用同一个被试的脑电数据，一部分作为训练数据，用来训练解码模型，另一部分作为测试数据，用来检验模型的解码精度，这种方式的优势是数据来自同一个人，个体差异小，解码难度相对较低，是最基础的解码方式。

14.跨被试解码：一种难度更高的脑电解码方式，指研究人员使用一部分“旧被试”（已经完成实验、采集好数据的志愿者）的脑电数据训练模型，训练完成后，用这个模型去解码“全新陌生被试”（未参与过模型训练、首次采集数据的志愿者）的脑电信号，核心考验模型的泛化能力，也是脑机接口实现通用化应用的关键。

15.跨会话解码：指研究人员使用同一个被试在不同时间段采集的脑电数据进行解码，比如第一天采集的数据作为训练数据，第二天或一周后采集的数据作为测试数据，由于同一个人在不同时间段的身体状态、情绪、疲劳程度等可能不同，脑电信号也会有细微差异，因此这种解码方式也能考验模型的鲁棒性和泛化能力。

16.采样率：指脑电采集设备每秒采集脑电信号的点数，单位是赫兹（Hz），常用的采样率为250Hz和500Hz，比如250Hz就意味着设备每秒会采集250个脑电数据点，采样率越高，采集到的时序信息越细腻、越完整，但同时也会增加数据量和计算压力，需根据实验需求选择合适的采样率。

17.归一化：一种脑电数据预处理方法，核心是将不同范围、不同幅值的脑电数据，通过特定计算缩放到一个统一的数值区间（常用0-1或-1-1），目的是消除不同电极通道、不同被试之间的脑电幅值差异，避免因数据范围差异过大导致模型训练不稳定，提升模型的训练效果和泛化能力。

18.端到端解码：一种先进的脑电解码方式，指将原始的、未经过任何手工处理的EEG信号，直接输入到深度学习模型中，模型会自动完成特征提取、特征筛选和分类解码的全过程，无需研究人员手动设计特征提取方法、筛选有效信号，大大减少了人工干预，也是目前脑电解码的主流发展方向。

19.泛化能力：指脑电解码模型在面对陌生的、未参与过训练的新数据时，依然能够保持较高解码精度的能力，简单来说，就是模型“举一反三”的能力，泛化能力越强，说明模型越实用，越能适应不同被试、不同时间段的脑电信号，是衡量模型性能的核心指标之一。

20.过拟合：指脑电解码模型在训练过程中，过度“死记硬背”训练数据的特征，甚至学习到了训练数据中的噪声和误差，导致模型在训练集上的解码精度极高，但在未参与训练的测试集上，精度会急剧下降，这种情况说明模型失去了泛化能力，无法应用于实际场景。

21.欠拟合：指脑电解码模型的结构过于简单，无法捕捉到脑电信号中的有效特征，导致模型不仅在测试集上的解码精度很低，在训练集上的精度也不高，这种情况通常是因为模型复杂度不足，无法适配脑电信号的复杂特性，需要调整模型结构、增加模型复杂度来改善。

22.张量：深度学习中处理脑电数据的基础数据格式，相当于一个多维度的数组，脑电数据的张量形状通常为[批次，通道，时序]，其中“批次”指一次输入模型的试次数，“通道”指采集脑电的电极数量，“时序”指每个试次的脑电数据点数，比如[32，22，375]，就代表一次输入32个试次，每个试次包含22个电极通道、375个时序数据点。

23.基准 Baseline：在脑机接口相关论文中，用来与当前提出的新模型、新算法进行性能对比的经典模型或传统算法，比如常用的CSP、FBCSP算法，以及EEGNet等经典深度学习模型，设置基准的目的是为了证明新模型、新算法的优越性，让实验结果更具说服力，也是科研论文中不可或缺的对比依据。

=================================作者声明==================================

个人整理，切勿抄袭，知识有限，求真辨别，共同学习，互相进步