冥想 / 禅修 EEG 研究中常用的分析方法与流程

一、什么是 EEG？

• 戴上一顶很多小“金属纽扣”的帽子，它能听到大脑里“电小苗”一起活动时发出的微弱信号，就像用麦克风听一群小蚂蚁的脚步声。
• 这些信号像不同快慢的海浪：慢浪、稍快的浪、快浪、超快浪。

二、常说的几种“脑波”就像不同节奏

• δ（德尔塔）：最慢的大滚滚浪（睡觉或很深的放松才多）。
• θ（西塔）：慢走的脚步节奏（安静专注、轻轻想象时可能多一点）。
• α（阿尔法）：中等速度的呼吸节奏（闭眼放松又清醒时常常变大，好像拉起“请安静”牌子）。
• β（贝塔）：较快的讨论声（紧张、动脑、东张西望时多）。
• γ（伽马）：超快的细碎闪光（很高水平的集中或情感时偶尔会出现，要小心别把肌肉动的假信号当真）。

三、打坐 / 冥想时常见变化（大方向）

• 放松又清醒：后面脑区的 α 波常常变大（表示不要被外界小声音打扰）。
• 认真专注呼吸：前额中央的 θ 波会升一点（像“注意力管理员”在值班）。
• 资深、练很多年、做慈悲或特别平稳觉知时：有时会出现一些 γ 的小“闪光群”（可能是很多脑区一起合作的瞬间）。
• 放松后，β（快嘈杂的讨论声）常减少一点，表示脑子没那么紧绷。
• 非常非常深的特别静时：也有人看到更慢的波（δ），但要确认不是犯困。

四、科学家怎么“分析”这些脑波？（简化版流程）

1. 采集：让人戴帽子安静或冥想，电脑收集一串“锯齿线”。
2. 清理：去掉眨眼、动头、咬牙这些“脏东西”（不然会像杂音盖住真正信号）。
3. 分开速度：用数学“筛子”把不同快慢的波分开，看每种波的“大小”（功率，理解为声音音量）。
4. 对比：
   • 冥想 vs 休息：哪种波变大或变小？
   • 初学者 vs 老练者：有没有更稳定？
5. 看脑区像不像“团队合作”：
   • 如果两个地方的波节奏一起摇，就说明它们在合作（同步）。
6. 看变化过程：
   • 一开始、进行中、快结束时，波有没有逐渐稳定。
7. 复杂度（可先不记）：有时他们用“像不像多样花纹”来形容大脑是不是既有秩序又灵活。

五、用生活比喻

• α 波像教室里“安静牌”：牌子举稳了，外界吵闹就少进来。
• θ 波像班长在巡逻：提醒大家别跑神。
• γ 波像突然全班同时鼓掌一小下：表示某个特别整合的瞬间（但要确定不是有人拍桌子造成的假象）。
• 分析就像：录音（采集）→ 去杂音（清理）→ 分轨道（分频率）→ 比较音量（功率）→ 看合唱整不整齐（同步）。

六、最最简短背下来版

• 冥想时：α↑（放松清醒）、θ↑一点（注意力稳定）、β↓（少紧张）、有时资深者 γ 闪一下（整合或慈悲）。
• 科学家：记录 → 去噪音 → 分波 → 比较 → 看合作。

七、如果你想自己做一个“小小游戏”理解

• 想象你有 5 条彩色线（δ θ α β γ），冥想时把 α 线拉高一点、θ 微升、β 降一点、γ 偶尔闪光。
• 用画笔画出“前面”、“后面”两个区域：后面 α 大，前面 θ 稳。

八、你可以接下来问我

• 想要更有趣的漫画故事版？
• 想做一个小实验（比如闭眼 1 分钟 vs 看动画 1 分钟会怎样）？
• 想做一张记忆卡片？ 下面系统梳理冥想 / 禅修 EEG 研究中常用的分析方法与流程。按层级：数据获取与预处理 → 特征提取（时域 / 频域 / 时频 / 空间 / 网络 / 非线性）→ 统计与建模 → 高级状态/机器学习。并指出用途、常见参数、优缺点与注意事项。你可把它当成“方法菜单”。

一、基础预处理 (Preprocessing)

1. 采集与记录

   • 采样率：常 250–1000 Hz（γ 研究建议 ≥500 Hz，>80 Hz γ 需 ≥1000 Hz）。
   • 导联数：32/64/128/256；高密度利于源定位与伪迹区分。
   • 参考：Cz、双耳垂、平均参考、REST、鼻尖；γ/低频比较时需说明。

2. 滤波

   • 带通：0.1/0.5–40/80/120 Hz；低频研究 (δ) 需高通≤0.3 Hz；γ 需低通≥80。
   • 陷波：工频 50/60 Hz（及其谐波），可用线性陷波或 ZapLine/cleanline。

3. 伪迹处理

   • 眼动/眨眼：EOG 回归、ICA (Infomax / FastICA / AMICA)、SOBI。
   • 肌电 (EMG)：高频功率分布、ICA 分离、频谱 slope (1/f) 异常。
   • 心搏 (ECG)：ICA 或模板回归。
   • 突发噪声：ASR (Artifact Subspace Reconstruction)。
   • 通道插值：坏道自动检测（方差 / Hurst / Kurtosis）。
   • 呼吸/体动：结合加速度计、胸带信号；低频 δ/θ 解读前需检验。
   • 质量指标：记录剔除比例、剩余总时长（保证每条件≥3–5 分钟稳定段）。

4. 重参考与去趋势

   • 平均参考、REST；低频分析时注意漂移（线性去趋势 / 高通滤波）。

5. 分段 (Epoching)

   • 冥想与基线：选稳定期（通常开始后 2–3 分钟剔除过渡）。
   • ERP：刺激锁定 -200~0 ms 基线校正；长段功率分析：≥2 s 无伪迹窗口。

二、频谱与时频分析

1. 功率谱 (PSD)

   • 方法：Welch（窗口 2–4 s、50% overlap）、Multitaper（time-bandwidth NW=3~4，k=5~7 tapers）、Burg 自回归 (AR order ~10–30)。
   • 目的：比较各频段绝对/相对功率；个体化频段需计算 Individual Alpha Frequency (IAF)。
   • 注意：报告频段定义与是否用对数变换 (dB)。

2. Aperiodic / 周期分离

   • FOOOF (Fitting Oscillations & One-Over-F)：分离 1/f 背景与峰；输出 exponent、offset、峰中心频率/带宽/幅值。
   • IRASA：分离分形与振荡成分。
   • 作用：避免将 1/f 变化误判为 α/θ 功率差。

3. 时频

   • Morlet 小波（常 f/σf≈7，尺度范围 1–100 Hz）。
   • STFT（窗 0.5–2 s）。
   • Hilbert 变换：先窄带滤波再提振幅包络或相位。
   • 指标：ERSP（事件相关频谱扰动）、ITPC（相位一致性）。
   • 用途：捕捉冥想进入/退出动态、γ burst、θ 稳定性。

4. 波形周期性质 (Cycle-by-cycle)

   • 工具：bycycle（评估振荡周期、非正弦性、占空比）。
   • 价值：区分真正稳定振荡 vs 1/f 噪声。

三、相位/振幅耦合与跨频段分析

1. 相位同步

   • PLV、PPC（pairwise phase consistency）、ITPC（事件锁定）、wPLI / PLI（减少体积传导）、Imaginary Coherence。
   • 应用：γ 全局同步、θ 前中线同步度。

2. 振幅相关

   • Envelope Correlation / Orthogonalized Power Envelope Correlation（减少假正相关）。
   • 用途：慢振幅调制下的网络协同。

3. 跨频耦合 (CFC)

   • 相位-振幅耦合 (PAC)：Modulation Index (MI, Tort)、Kullback-Leibler、General Linear Model PAC。
   • 相位-相位耦合：n:m 锁相 (phase locking value)。
   • 振幅-振幅耦合：Amplitude Envelope Correlation。
   • 频率-频率耦合 (bispectrum, bicoherence)。
   • 注意：滤波参数、边缘效应、伪耦合（共源、带宽选择）。

四、空间与源成像

1. 拓扑统计
   • Topographic ANOVA (TANOVA)、Global Map Dissimilarity (GMD)。
2. 源定位
   • 逆解：sLORETA/eLORETA、LORETA、MNE/dSPM/sLORETA、Beamformer (LCMV)。
   • 模型：BEM / FEM 头模 + 共注册（MRI或标准模板）。
   • γ 来源定位需高密度 & 抑制肌电。
3. 微状态 (Microstates)
   • 流程：GFP 峰 → k-means / AAHC 聚类（k=4–8）→ 指标（时长、占比、出现率、转移概率、全局解释方差）。
   • TANOVA 比较条件微状态拓扑差异；语法分析（transition matrix）。

五、网络与图论

1. 构网
   • 节点：通道/源区（AAL、Desikan-Killiany）。
   • 边：PLV、wPLI、coherence、amplitude correlation、TE（传递熵）、PSI（相位斜率指数）、Granger、PDC/DTF。
2. 指标
   • 局部：度、聚类系数、节点效率、介数、特征向量中心性、参与系数。
   • 全局：全局效率、特征路径长度、小世界指数、模块度 (Louvain)、同步度。
3. 动态网络
   • 滑动窗口（长度 2–10 s，步长 50–250 ms）→ k-means / GMM 聚类 → 状态占比与转换熵。
   • HMM（观测：功率或连接特征）。
   • Time-varying connectivity (TVAR, Kalman filter)。

六、时间序列与非线性 / 复杂性

1. 熵指标
   • 近似熵、样本熵、排列熵、波形熵、Rényi 熵。
   • 多尺度熵 (MSE)：尺度 1–20（或 coarse-graining：1–50）。
2. 复杂度
   • Lempel-Ziv (LZC)、Kolmogorov 近似、Permutation LZ。
3. 分形与长程相关
   • Higuchi / Katz 分形维数、DFA (α exponent)、Hurst 指数。
4. Recurrence Quantification (RQA)
   • 复现率、对角线长度、熵、陷阱时间。
5. 非线性动力学
   • 最大 Lyapunov 指数（较少）。
6. 解释
   • 冥想状态可能呈“中度有序 + 保持灵活”的多尺度模式；需和 1/f 拟合结果区分。

七、事件相关与任务指标

1. ERP
   • 成分：P1/N1（感觉增益）、N2/ERN（监控）、P3（资源分配）、LPP（情绪）、CNV（准备）。
   • 分析：峰值/平均窗、单被试单试 (single-trial) 回归（功率与行为）。
2. 时频 ERP 结合
   • 诱发 vs 引发（evoked vs induced）分离：减去平均波形后再做时频。
3. 源-ERP 结合：逆解时空成分。

八、突发与状态检测

1. γ burst / θ burst
   • 定义：带通滤波→振幅 z 分数 > 阈值（如均值+2SD，持续≥3 周期）。
   • 统计：发生率、平均持续、峰频、跨区域同步时间。
2. 阈值或 Bayesian 变点检测
   • 用于冥想“进入”时间点估计。
3. Hidden Markov Model (HMM)
   • 观察变量：功率向量/连接矩阵；输出状态的驻留时间 (dwell time)、转换概率。

九、特征降维与分解

1. PCA / ICA / NMF
   • 用途：识别独立振荡源、分离共变模式。
2. 时空模式
   • sPCA、tensor decomposition (PARAFAC)。
3. 可视化
   • t-SNE / UMAP（高维功率或连接特征 → 2D“冥想轨迹”）。

十、机器学习 / 预测

1. 分类
   • SVM、随机森林、XGBoost、LDA、Elastic Net、CNN（原始时序或时频图像）、RNN/LSTM、Temporal Convolutional Network (TCN)。
2. 特征
   • 功率、相位同步、PAC、微状态指标、复杂性、图论度量。
3. 验证
   • k-fold、留一被试 (LOSO)、Nested CV；报告 ROC-AUC、F1。
4. 特征选择
   • mRMR、LASSO、SHAP 解释。
5. 目标
   • 冥想 vs 基线、不同冥想类型、经验水平分层、主观深度评分回归。

十一、统计分析框架

1. 经典
   • 混合线性模型 (LME)：功率 ~ Condition * Experience + (1|Subject)。
   • 重复测量 ANOVA / MANOVA。
2. 非参数与多重比较
   • Cluster-based permutation (Maris & Oostenveld)。
   • TFCE、FDR (Benjamini-Hochberg)。
3. 效应量 / 置信区间
   • Cohen’s d、Hedges g、部分 η²、Bayes 因子 (JASP / BayesFactor)。
4. 相关 / 中介
   • 功率 / 连接与行为（注意任务、主观深度、情绪量表）相关；多变量 PLS（偏最小二乘）。
5. 层次贝叶斯
   • 个体差异 + 组层面；对小样本更稳健（先验需透明）。

十二、质量控制与报告建议

1. 报告参数：滤波、参考、采样率、伪迹剔除比例、有效时长、频段定义、统计校正方式。
2. γ 分析：明确肌电控制（咬肌试验、EMG 指标回归、ICA 标签）。
3. α/θ 个体化：报告 IAF 或 IAF±2 Hz；避免固定 8–12 造成混淆。
4. 数据与代码共享：BIDS-EEG 标准、OpenNeuro / OSF。

十三、方法与研究问题匹配速览

• “冥想是否提升专注？”：前中线 θ 功率（Welch / 小波）+ ITPC。
• “体验深度与全局整合？”：γ 相位同步 (PLV/wPLI) + 图论全局效率。
• “减少心智游荡？”：α 稳定性、微状态（与默认网络相关微状态覆盖下降）。
• “训练时长效应？”：层次模型（功率或复杂性 ~ log(经验小时)）。
• “主观深度预测？”：HMM 状态驻留时间 + 回归 / ML。
• “非线性动力学优化？”：MSE、LZC、DFA（多尺度比较）。

十四、常见陷阱与纠正

1. 体积传导误判同步：优先使用相位滞后指标 (wPLI / imaginary coherence) 或源空间分析。
2. PAC 伪迹：滤波带宽过宽或边缘效应；需 surrogate data（相位打乱）验证。
3. γ = 肌电：检查空间分布（额颞过高警惕）、与 EMG 通道相关性。
4. 低频 = 困倦：同步监测 EOG、行为警觉度；尝试 Pupillometry。
5. 过度 p-hacking：预注册分析计划；区分探索性 vs 验证性。
6. 经验水平混合：将总小时与近一年平均练习频率分开建模。

十五、进阶新趋势

• Aperiodic exponent 作为兴奋/抑制平衡指标（与 GABA/Glutamate 假设关联）。
• 连接拓扑的能量景观（energy landscape）建模：状态迁移成本。
• 生成模型：Dynamic Causal Modeling (DCM) 源层推断（较少但增长中）。
• 联合多模态：EEG-fMRI 同步估计网络强度与快节律调制。
• 语义自报告时间锁定：实时按钮或体验采样 (experience sampling) → 对齐 EEG 动态。
• Explainable AI：利用 SHAP/LIME 解析分类模型特征贡献。