脑电图

脑电图（EEG）是一种记录脑电活动的电生理监测方法。它通常是非侵入性的，电极沿着头皮放置，尽管有时会使用侵入性电极，例如在皮层皮质电图中。脑电图测量由脑神经元内的离子电流引起的电压波动。[1]临床上，脑电图是指一段时间内大脑自发电活动的记录，如从头皮上放置的多个电极记录的那样。[1]诊断应用程序通常着重于事件相关电位或脑电图的频谱含量。前者调查锁定到某个事件（例如“刺激发作”或“按钮按下”）的潜在波动时间。后者分析了可以在频域的EEG信号中观察到的神经振荡的类型（通常称为“脑波”）。

脑电图最常用于诊断癫痫病，这会导致脑电图读数异常[2]。它还可用于诊断睡眠障碍，麻醉深度，昏迷，脑病和脑死亡。脑电图曾经是诊断肿瘤，中风和其他局灶性脑部疾病的一线方法，[3] [4]，但是随着高分辨率解剖成像技术（例如磁共振成像（MRI））的出现，脑电图的使用有所减少。和计算机断层扫描（CT）。尽管空间分辨率有限，但脑电图仍然是研究和诊断的宝贵工具。它是可用的少数移动技术之一，并提供毫秒范围的时间分辨率，这是CT，PET或MRI无法实现的。

EEG技术的衍生物包括诱发电位（EP），它涉及平均锁定与某种刺激（视觉，体感或听觉）的表现呈时间锁定的EEG活动的平均值。事件相关电位（ERPs）是指平均脑电图再桥脑，它们被时间锁定到更复杂的刺激处理上。此技术用于认知科学，认知心理学和心理生理研究。


用脑电图监测癫痫的尖峰和波状放电

内容
1 历史
2 医疗用途
3 研究用途
3.1 优势
3.2 缺点
3.3 与其他神经影像技术
4 机制
5 方法
5.1 干式EEG电极
5.2 局限性
5.3 脑电图与fMRI，fNIRS和PET
5.4 脑电图与MEG
6 正常活动
6.1 脑电波段比较
6.2 波形
7 文物
7.1 生物制品
7.2 环境文物
7.3 伪影校正
8 异常活动
8.1 远程通讯
8.2 脑电图诊断
9 经济学
10 未来研究
11 参考

历史


汉斯·伯杰（Hans Berger）在1924年获得的第一张人类脑电图记录。上图为EEG，下图为10 Hz定时信号。


汉斯·伯格
Barbara E. Swartz在脑电图学和临床神经生理学中详细介绍了脑电图的历史[5]。 1875年，在利物浦执业的医生理查德·卡顿（Richard Caton，1842-1926年）在《英国医学杂志》（British Medical Journal）上发表了有关兔和猴子裸露的大脑半球的电现象的发现。 1890年，波兰生理学家阿道夫·贝克（Adolf Beck）发表了一项关于兔子和狗的大脑自发性电活动的研究，其中包括被光改变的节律性振荡。贝克开始对动物的脑电活动进行实验。贝克将电极直接放在大脑表面以测试感觉刺激。他对大脑活动波动的观察导致了脑电波的结论。[6]

1912年，乌克兰生理学家弗拉基米尔·弗拉基米罗维奇·普拉夫迪奇·涅明斯基发表了第一只动物的脑电图和哺乳动物（狗）的诱发电位。[7] 1914年，拿破仑·西布尔斯基（Napoleon Cybulski）和耶伦斯卡·马西斯纳（Jelenska-Macieszyna）拍摄了实验性癫痫发作的脑电图记录。

德国生理学家和精神病学家汉斯·伯杰（Hans Berger，1873年-1941年）在1924年记录了首个人类脑电图。[8] Berger扩展了先前由Richard Caton等人对动物所做的工作，还发明了脑电图（给该设备起了名字），该发明被描述为“是临床神经病学史上最令人惊讶，最显著，最重要的发展之一”。 [9] 1934年，英国科学家埃德加·道格拉斯·阿德里安（Edgar Douglas Adrian）和B. H. C.马修斯（B. H. C. Matthews）首次证实了他的发现，并由他们进行了发展。

1934年，Fisher和Lowenback首次展示了癫痫样突峰。 1935年，Gibbs，Davis和Lennox描述了室间隔尖峰波和临床失神发作的三个周期/秒模式，这开始了临床脑电图领域。随后，在1936年，吉布斯（Gibbs）和贾斯珀（Jasper）报告了发作间期峰值是癫痫的病灶。同年，第一个脑电图实验室在马萨诸塞州综合医院开业。

西北大学生物物理学教授富兰克林·奥夫纳（Franklin Offner，1911年至1999年）开发了EEG的原型，该原型结合了称为Crystograph的压电墨水书写器（整个设备通常称为Offner Dynograph）。

1947年，美国脑电图学会成立，并举行了第一届国际脑电图大会。 1953年，Aserinsky和Kleitman描述了REM睡眠。

在1950年代，威廉·格雷·沃尔特（William Gray Walter）开发了一种名为EEG地形图的EEG附件，该附件可以绘制大脑表面的电活动图。 这在1980年代经历了短暂的普及，对于精神病学来说似乎特别有希望。 它从未被神经学家接受，并且仍然主要是一种研究工具。


带有脑电图电极和信号调节器的查克·凯瑟（Chuck Kayser），用于双子计划（1965）
由贝克曼仪器公司（Beckman Instruments）制造的脑电图仪系统被用于至少一项“双子计划”载人航天飞行（1965-1966），以监视飞行中宇航员的脑电波。 它是许多专门用于NASA的贝克曼仪器之一。[10]

1988年，Stevo Bozinovski，Mihail Sestakov和Liljana Bozinovska提交了有关对物理对象（机器人）的EEG控制的报告。[11] [12]

2018年10月，科学家将三个人的大脑连接起来，进行思想交流的过程进行实验。 五组三人参加了使用脑电图的实验。 实验成功率为81％。[13] [14]

医疗用途


脑电图记录设置
脑电图是癫痫的主要诊断测试之一。常规临床脑电图记录通常持续20–30分钟（加上准备时间）。该测试使用附着在头皮上的小型金属圆盘（电极）检测大脑中的电活动。通常，脑电图通常在临床情况下用于确定脑活动的变化，这可能有助于诊断脑部疾病，尤其是癫痫或其他癫痫发作。脑电图也可能有助于诊断或治疗以下疾病：[15]

脑肿瘤
头部受伤造成的脑损伤
可能有多种原因的脑功能障碍（脑病）
脑部发炎（脑炎）
行程
睡眠障碍
它还可以：

区分癫痫性癫痫发作与其他类型的，例如精神性非癫痫性癫痫发作，晕厥，皮层下运动障碍和偏头痛变体
区分“器官性”脑病或谵妄与原发性精神病综合征（如卡塔尼亚）
用作昏迷患者脑死亡的辅助测试
预后昏迷的患者（在某些情况下）
确定是否要停用抗癫痫药。
有时，常规的脑电图不足以建立诊断和/或确定就治疗而言的最佳行动方案。在这种情况下，可以尝试在癫痫发作时记录脑电图。与称为发作之间的EEG记录的发作间记录相反，这被称为发作记录。为了获得初始记录，通常执行长时间的EEG，同时进行时间同步的视频和音频记录。这可以在门诊（在家中）或在医院住院期间完成，最好在癫痫监测部门（EMU）进行，护士和其他受过癫痫发作治疗培训的人员则可以接受。门诊动态视频脑电图通常持续一到三天。进入癫痫监测单元通常持续数天，但可能持续一周或更长时间。在医院期间，通常会撤回癫痫药，以增加入院时发生癫痫的几率。为安全起见，在医院外进行脑电图检查时不得撤药。因此，动态视频脑电图的优点是方便，并且比医院住院便宜，但缺点是记录临床事件的可能性降低。

癫痫监测通常是为了将癫痫性癫痫发作与其他类型的咒语区分开来，例如心理性非癫痫性癫痫发作，晕厥，皮层下运动障碍和偏头痛变体，以表征癫痫发作的治疗目的并确定癫痫发作的位置。癫痫发作起源的大脑区域，用于可能的癫痫手术的后处理。

另外，脑电图可用于监测麻醉深度，作为颈动脉内膜切除术中脑灌注的间接指标，或在Wada试验期间监测氨巴比妥作用。

脑电图还可用于重症监护病房的脑功能监测，以监测非惊厥性癫痫/非惊厥性癫痫持续状态，以监测镇静/麻醉对药物性昏迷患者的镇静作用（用于治疗难治性癫痫或颅内增高压力），并在蛛网膜下腔出血（目前为研究方法）等条件下监测继发性脑损伤。

如果考虑将癫痫患者进行切除手术，通常必须以比头皮脑电图所提供的分辨率更大的分辨率来定位癫痫脑活动的焦点（来源）。这是因为脑脊液，颅骨和头皮会涂抹头皮脑电图记录的电位。在这些情况下，神经外科医生通常通过颅骨切开术或毛刺孔在硬脑膜下植入电极条带（或穿透深度电极）。这些信号的记录称为脑皮质描记术（ECoG），硬脑膜下脑电图（sdEEG）或颅内脑电图（icEEG），所有术语都指同一事物。从ECoG记录的信号具有与从头皮EEG记录的大脑活动不同的活动范围。在ECoG中可以清晰地看到头皮EEG中不容易（或根本看不到）的低压，高频分量。此外，较小的电极（覆盖较小的大脑表面）可以看到更低的电压，更快的大脑活动成分。一些临床部位记录了穿透性微电极。[1]

最近使用机器学习技术（例如具有从额叶EEG脑电波数据中提取的具有统计时态特征的神经网络的神经网络）进行的研究表明，在对精神状态（放松，中立，专注），[16]精神情绪状态（负面，中立，阳性）[17]和丘脑皮质心律不齐。[18]

脑电图未用于诊断头痛。[19]头痛反复发作是一个常见的疼痛问题，有时会使用该程序进行诊断，但与常规临床评估相比没有优势。[19]

研究用途
脑电图和ERPs的相关研究广泛用于神经科学，认知科学，认知心理学，神经语言学和心理生理学研究，还用于研究诸如吞下等人类功能。[20] [21] [22]研究中使用的许多脑电图技术尚未充分标准化，无法用于临床。但是，对诸如听觉加工障碍（APD），ADD或ADHD等精神障碍的研究越来越广为人知，并且将EEG用作研究和治疗方法。

好处
还存在其他几种研究脑功能的方法，包括功能性磁共振成像（fMRI），正电子发射断层扫描（PET），脑磁图（MEG），核磁共振波谱（NMR或MRS），脑电图（ECoG），单光子发射计算机断层扫描（SPECT），近红外光谱（NIRS）和事件相关的光信号（EROS）。尽管EEG的空间敏感性相对较差，但与以下某些技术相比，它具有多个优点：

硬件成本大大低于大多数其他技术[23]
EEG阻止了技术人员在高流量医院提供即时护理的有限机会。[24]
与fMRI，SPECT，PET，MRS或MEG相比，EEG传感器可以在更多地方使用，因为这些技术需要笨重且不动的设备。例如，MEG需要由液氦冷却探测器组成的设备，这些探测器只能在磁屏蔽室中使用，费用总计高达数百万美元； [25]而fMRI要求在医疗设备中使用1吨磁体屏蔽室。
脑电图具有很高的时间分辨率，约为毫秒而不是秒。在临床和研究环境中，EEG通常以250到2000 Hz的采样率记录，但是如果需要，现代EEG数据收集系统能够以20,000 Hz以上的采样率记录。 MEG和EROS是仅有的其他非侵入性认知神经科学技术，可以在此时间分辨率级别上获取数据。[25]
与大多数其他神经影像技术不同，脑电图对受试者的运动相对耐受。甚至存在用于最小化甚至消除EEG数据中运动伪影的方法[26]
脑电图是无声的，因此可以更好地研究桥脑对听觉刺激的影响。
与fMRI，PET，MRS，SPECT有时甚至是MEG不同，脑电图不会加剧幽闭恐惧症[27]
与其他某些技术一样，EEG不涉及暴露于高强度（> 1 tesla）磁场，尤其是MRI和MRS。这些可能会导致数据出现各种不良情况，并且还禁止将这些技术用于其体内植入了金属的参与者，例如含金属的起搏器[28]。
与正电子发射断层扫描不同，脑电图不涉及暴露于放射性配体。[29]
与IE块设计fMRI研究相比，ERP研究可以使用相对简单的范例进行
与皮质脑电图不同，它极度无创，实际上需要将电极放置在大脑表面。
脑电图还具有一些与行为测试相媲美的特征：

EEG可以检测到秘密处理（即不需要响应的处理）[30]
脑电图可用于无法制作运动桥脑电的受试者[31]
即使受试者没有注意刺激，也可以检测到一些ERP组件
与研究反应时间的其他方法不同，ERP可以阐明处理的阶段（而不仅仅是最终结果）[32]
脑电图是追踪生命不同阶段的大脑变化的强大工具。脑电图睡眠分析可以指示大脑发育时机的重要方面，包括评估青少年的大脑成熟度。[33]
与其他研究技术（即MRI中的BOLD响应）相比，在EEG中对测量的信号有更好的了解。

缺点
头皮的空间分辨率低。例如，功能磁共振成像可以直接显示活跃的大脑区域，而脑电图需要进行深入的解释，只是为了假设特定的桥脑可以激活哪些区域。[34]
脑电图无法很好地测量在大脑上层（皮层）下方发生的神经活动。
与PET和MRS不同，它们无法识别大脑中可以找到各种神经递质，药物等的特定位置。[29]
将对象连接到脑电图通常需要很长时间，因为它需要在头部周围精确放置数十个电极，并使用各种凝胶，盐溶液和/或糊剂以保持良好的导电性，并且使用盖来保持他们就位。虽然时间长短取决于所使用的特定EEG设备，但通常来说，准备用于MEG，fMRI，MRS和SPECT的对象所需的时间要少得多。
信噪比很差，因此需要复杂的数据分析和相对大量的对象才能从EEG中提取有用的信息。[35]

与其他神经影像技术
尽管同时记录两个脑电图有效地需要克服一些技术难题，例如心电描记伪影，MRI脉冲伪影的存在，但已成功获得了同时进行的脑电图记录和功能性MRI扫描，[36] [37] [38] [39]以及在MRI强磁场内移动的EEG导线中的电流感应。尽管具有挑战性，但在许多研究中已经成功克服了这些问题。[40] [41]

MRI通过产生强磁场产生详细的图像，这些强磁场可能会引起潜在有害的位移力和扭矩。这些场会产生潜在的有害射频加热，并产生图像伪影，从而使图像无用。由于这些潜在的风险，在MR环境中只能使用某些医疗设备。

同样，还进行了MEG和EEG的同时录制，这比单独使用任何一种技术都具有几个优点：

脑电图需要有关只能估计的头骨某些方面的准确信息，例如头骨桡和各个头骨位置的电导率。 MEG没有此问题，并且同时分析允许对此进行纠正。
MEG和EEG都无法很好地检测皮层表面以下的活动，并且像EEG一样，错误程度会随着尝试尝试的皮层表面以下深度的增加而增加。但是，这些技术之间的误差非常不同，因此将它们组合起来就可以校正其中的一些噪声。
MEG在皮质下几厘米以下几乎没有任何脑活动来源。另一方面，EEG可以接收更大深度的信号，尽管噪声很高。将两者结合起来，可以更容易地确定脑电信号来自表面（因为MEG在检查来自脑表面的信号方面非常准确）以及来自脑深处的信号，因此可以分析脑深处比单独的EEG或MEG信号更强。[42]
近年来，已研究了一种结合EEG / MEG（EMEG）的方法，以用于癫痫诊断中的来源重建。[43]

脑电图也已与正电子发射断层扫描相结合。这提供了一个优势，允许研究人员查看脑电信号与大脑中不同药物作用有关。[44]

机制
大脑的电荷由数十亿个神经元维持。[45]神经元通过膜转运蛋白带电（或“极化”），该蛋白将离子泵送穿过其膜。神经元正在不断地与细胞外环境交换离子，例如维持静息电位并传播动作电位。具有相似电荷的离子会互相排斥，并且当许多离子同时从许多神经元中被推出时，它们可以一波又一波地推动自己的邻居，推动自己的邻居等等。此过程称为体积传导。当离子波到达头皮上的电极时，它们可以推动或拉动电极中金属上的电子。由于金属很容易进行电子的推动和拉动，因此可以通过电压表测量任意两个电极之间的推动或拉动电压差。随时间记录这些电压会给作者提供脑电图。[46]

单个神经元产生的电势太小，无法被EEG或MEG吸收。[47]因此，EEG活动始终反映了数千个或数百万个具有相似空间方向的神经元的同步活动的总和。如果细胞没有相似的空间方向，则它们的离子不会排列并产生要检测的波。皮层锥体神经元被认为能产生最多的EEG信号，因为它们排列合理并能一起发射。由于电压场梯度随距离的平方而下降，因此深源活动的检测比颅骨附近的电流更难检测。[48]

头皮脑电图活动显示各种频率的振荡。这些振荡中的几种具有特征性的频率范围，空间分布，并且与脑功能的不同状态（例如，醒来和各种睡眠阶段）相关。这些振荡代表了神经元网络上的同步活动。理解其中一些振荡的神经网络（例如，睡眠纺锤体下的丘脑皮层共振），而其他神经网络则不是（例如，产生后基本节律的系统）。研究同时测量脑电图和神经元突波的研究发现两者之间的关系是复杂的，伽玛带中的脑电图功率与三角洲中的相位的结合与神经元尖峰活动最密切相关。[49]

方法


脑电图仪Neurovisor-BMM 40
在传统的头皮脑电图中，通常是在通过轻微擦伤准备头皮区域以减少因死皮细胞引起的阻抗之后，通过用导电凝胶或糊剂将电极放置在头皮上来进行记录。许多系统通常使用电极，每个电极都连接到单独的电线上。一些系统使用帽或网，其中嵌入了电极；当需要高密度的电极阵列时，这尤其常见。

电极的位置和名称由国际10-20系统[50]指定，用于大多数临床和研究应用（使用高密度阵列时除外）。该系统确保电极的命名在实验室之间是一致的。在大多数临床应用中，使用了19个记录电极（加上接地和系统参考）。[51]当记录新生儿的脑电图时，通常使用较少数量的电极。当临床或研究应用需要增加大脑特定区域的空间分辨率时，可以将其他电极添加到标准设置中。高密度阵列（通常通过帽或网）可包含多达256个在头皮周围大致均匀分布的电极。

每个电极连接到差分放大器的一个输入（每对电极一个放大器）；公共系统参考电极连接到每个差分放大器的另一个输入。这些放大器放大有源电极和参比之间的电压（通常为1,000–100,000倍，或60–100 dB的电压增益）。在模拟EEG中，信号经过滤波（下一段），并且当纸张从下面穿过时，EEG信号作为笔的偏转而输出。但是，如今大多数EEG系统都是数字化的，放大后的信号在经过抗混叠滤波器后，通过模数转换器进行数字化处理。在临床头皮脑电图中，模数采样通常发生在256–512 Hz处。在某些研究应用中，采样率高达20 kHz。

在录制期间，可以使用一系列激活过程。这些程序可能会导致正常或异常的EEG活动，否则可能看不到。这些程序包括换气过度，光刺激（使用频闪灯），闭眼，精神活动，睡眠和睡眠剥夺。在（住院）癫痫监测期间，可能会撤回患者的典型癫痫发作药物。

数字EEG信号以电子方式存储，可以进行过滤以显示。高通滤波器和低通滤波器的典型设置分别为0.5–1 Hz和35–70 Hz。高通滤波器通常会过滤掉慢的伪像，例如电动信号和运动伪像，而低通滤波器会过滤掉高频伪像，例如肌电信号。通常使用一个额外的陷波滤波器来消除由电力线（在美国为60 Hz，在许多其他国家为50 Hz）引起的伪影。[1]

可以使用诸如OpenBCI之类的开源硬件来捕获EEG信号，并且可以通过免费提供的EEG软件（例如EEGLAB或Neurophysiological Biomarker Toolbox）来处理该信号。

作为癫痫手术评估的一部分，可能有必要在硬脑膜表面下方的大脑表面附近插入电极。这可以通过钻孔或开颅手术来实现。这被不同地称为“脑皮质描记术（ECoG）”，“颅内脑电图（I-EEG）”或“硬脑膜下脑电图（SD-EEG）”。深度电极也可以放置在大脑结构中，例如杏仁核或海马结构，这是常见的癫痫病灶，头皮脑电图可能无法“清晰地”看到它们。以与数字头皮脑电图（上）相同的方式处理脑电图信号，但有几点警告。由于Nyquist定理的要求，通常以比头皮EEG更高的采样率记录ECoG-硬膜下信号由较高频率分量的较高优势组成。同样，许多影响头皮EEG的伪影不会影响ECoG，因此通常不需要显示过滤。

当从头皮测量时，典型的成人脑电信号的幅度约为10μV至100μV[52]，而从硬膜下电极测量时，约为10–20 mV。

由于EEG电压信号表示两个电极之间的电压差，因此可以通过以下几种方式之一来设置供阅读脑电图师使用的EEG显示。 EEG通道的表示形式称为蒙太奇。

顺序组合
每个通道（即波形）代表两个相邻电极之间的差异。整个剪辑画面由一系列这些通道组成。例如，通道“ Fp1-F3”表示Fp1电极和F3电极之间的电压差。剪辑画面中的下一个通道“ F3-C3”代表整个电极阵列中F3和C3之间的电压差，依此类推。
参照组合
每个通道代表特定电极和指定参考电极之间的差异。此参考没有标准位置；但是，它与“记录”电极的位置不同。通常使用中线位置，因为它们不会放大一个半球相对于另一个半球的信号，例如Cz，Oz，Pz等作为在线参考。另一种流行的离线参考是：
REST参考：这是潜力为零的无穷远离线计算参考。 REST（参比电极标准化技术）采用任何一组头皮记录的大脑内部等效源作为跳板，以将实际记录与任何新的在线或离线（平均，链接的耳朵等）非零参考链接起来以无穷大零作为标准参考。可以在（Dong L，Li F，Liu Q，Wen X，Lai Y，Xu P和Yao D（2017）用于头皮EEG的参比电极标准化技术（REST）的MATLAB工具箱中找到免费软件。前。神经科学.11 ：601。doi：10.3389 / fnins.2017.00601），有关更多细节及其性能，请参考原始论文（Yao，D.（2001年）。一种将头皮脑电图记录的参考标准化为无穷远点的方法。 。Physaol。Meas。22，693–711。doi：10.1088 / 0967-3334 / 22/4/305）
“链接的耳朵”：是连接到耳垂或乳突的电极的物理或数学平均值。
平均参考组合
将所有放大器的输出求和并求平均值，并将此求平均的信号用作每个通道的公共参考。
拉普拉斯蒙太奇
每个通道代表一个电极与周围电极的加权平均值之间的差。[53]
使用模拟（纸质）EEG时，技术人员会在录制过程中在蒙太奇之间切换，以突出显示或更好地表征EEG的某些功能。使用数字脑电图，所有信号通常都被数字化并存储在特定的（通常是参考的）剪辑画面中。由于任何蒙太奇可以从任何其他数学上构造，因此脑电图师可以在任何所需的显示蒙太奇中看到EEG。

脑电图由临床神经生理学家或神经科医师（取决于当地习俗和有关医学专业的法律）阅读，最好是经过特殊培训的临床目的解释脑电图的人。这是通过目视检查波形（称为石墨元素）来完成的。当用于临床目的时，EEG的计算机信号处理（即所谓的定量脑电图）的使用颇有争议（尽管有许多研究用途）。

干式脑电图电极
在1990年代初期，戴维斯（Davis）在加利福尼亚大学的Babak Taheri展示了首个使用微加工的单通道和多通道干式有源电极阵列。单通道干式脑电图电极的构造和结果于1994年发表。[54]与银/氯化银电极相比，该阵列电极还被证明具有良好的性能。该设备由四个位置的传感器组成，这些传感器带有集成电子器件，可通过阻抗匹配来降低噪声。这种电极的优点是：（1）不使用电解质；（2）不准备皮肤；（3）传感器尺寸大大减小；（4）与EEG监测系统兼容。有源电极阵列是由电容式传感器阵列组成的集成系统，其局部集成电路被封装在电池组中，以电池为电路供电。为了达到电极获得的功能性能，需要这种集成度。该电极在电测试台和人体受试者上以四种EEG活动方式进行了测试，即：（1）自发性EEG，（2）感觉事件相关电位，（3）脑干电位和（4）认知事件相关的潜力。就皮肤准备，无凝胶要求（干燥）和更高的信噪比而言，干电极的性能优于标准湿电极。[55]

1999年，由猎人亨特·佩克汉姆（Hunter Peckham）领导的俄亥俄州克利夫兰凯斯西储大学的研究人员使用64电极脑电图仪将有限的手部动作恢复为四肢瘫痪的吉姆·贾蒂克（Jim Jatich）。当Jatich专注于简单但相反的概念（例如上下）时，他的β节奏EEG输出使用软件进行了分析，以识别噪声中的模式。确定了基本模式并将其用于控制开关：将高于平均水平的活动设置为打开，低于平均水平的关闭。除了使Jatich能够控制计算机光标外，这些信号还被用来驱动嵌入在他手中的神经控制器，从而恢复一些运动。[56]

2018年，据报道功能性干电极由填充有导电碳纳米纤维的聚二甲基硅氧烷弹性体组成。这项研究是在美国陆军研究实验室进行的。[57] EEG技术通常涉及在头皮上涂抹凝胶，以促进强大的信噪比。这个结果在实验中具有更高的可重复性和可靠性。由于患者不喜欢用凝胶填充头发，而且冗长的设置需要训练有素的工作人员，因此在实验室环境之外使用脑电图可能很困难。[58]此外，已经观察到湿电极传感器的性能会在数小时后降低。[57]因此，研究已针对开发干式和半干式EEG生物电子界面。

干电极信号取决于机械接触。因此，由于皮肤和电极之间的阻抗，很难获得可用的信号。[58] [57]一些脑电图系统试图通过应用盐溶液来解决这个问题。[59]其他则具有半干性质，与头皮接触会释放少量凝胶。[58]另一种解决方案是使用弹簧加载的引脚设置。这些可能不舒服。如果将它们用在患者可能会撞头的情况下，这也可能很危险，因为它们可能在撞击事件发生后被困住。[57]

ARL还开发了一种可视化工具，即可自定义的照明接口，用于EEG或CLIVE的可视化，显示了两个大脑的同步程度。[60]

局限性
脑电图有几个局限性。最重要的是其较差的空间分辨率。[61]脑电图对一组特定的突触后电位最敏感：在皮层表层，在直接邻接颅骨并桡向颅骨的回旋波峰的皮质表层产生的那些。树突在大脑皮层中，沟内，中线或深部结构（例如扣带回或海马）中更深，或产生与头骨相切的电流，对脑电信号的影响要小得多。

脑电图记录不能直接捕获轴突动作电位。动作电位可以准确地表示为电流四极，这意味着所产生的场比突触后电位的当前偶极所产生的场下降得更快。[62]另外，由于脑电图代表数千个神经元的平均值，因此同步活动中的大量细胞对于引起记录的明显偏移是必要的。动作电位非常快，因此，场求和的机会很小。然而，作为典型的更长的树突状电流偶极子，神经反向传播可以被EEG电极吸收，并且是神经输出发生的可靠指示。

脑电图不仅几乎完全捕获树突电流，而不是轴突电流，它们还显示出对平行树突群体活动的偏好，并同时沿相同方向传输电流。皮层II / III和V的金字塔形神经元将顶端树突延伸到I层。在这些过程中向上或向下移动的电流是脑电图产生的大多数信号的基础。[63]

因此，脑电图为选择神经元类型提供了很大的偏见，通常不应该用于宣称有关整体脑部活动。脑膜，脑脊液和颅骨“涂抹” EEG信号，掩盖了其颅内来源。

从数学上讲，不可能为给定的EEG信号重建一个独特的颅内电流源，[1]因为某些电流产生的电位彼此抵消。这被称为反问题。但是，已经做了很多工作，以便至少可以很好地估计出代表所记录电流的局部电偶极子。[所需引证]

脑电图与fMRI，fNIRS和PET
脑电图作为探索大脑活动的工具具有多个优点。脑电图可以检测到毫秒级的变化，这非常好，因为根据神经元的类型，动作电位在单个神经元上传播大约需要0.5-130毫秒。[64]查看大脑活动的其他方法（例如PET和fMRI）的时间分辨率在几秒到几分钟之间。脑电图直接测量大脑的电活动，而其他方法则记录血流（例如SPECT，fMRI）或代谢活动（例如PET，NIRS）的变化，这是大脑电活动的间接标志。脑电图可与功能磁共振成像同时使用，因此可以同时记录高时间分辨率的数据和高空间分辨率的数据，但是，由于从每个数据中获得的数据都发生在不同的时间过程中，因此数据集不会必须代表完全相同的大脑活动。结合这两种方式存在技术上的困难，包括需要从EEG中去除MRI采集过程中存在的MRI梯度伪影和心电图伪影（由于血液和组织的脉动运动所致）。此外，由于MRI的磁场，在移动的EEG电极线中可以感应出电流。

EEG可与NIRS同时使用，而不会遇到重大技术困难。这些方式互不影响，组合测量可以提供有关电活动以及局部血流动力学的有用信息。

脑电与脑电图
脑电图反映了由皮质神经元的突触后电位引起的相关的突触活动。 快速动作电位的产生所涉及的离子电流可能不会对代表EEG的平均场电位有很大贡献。[47] [65] 更具体地说，一般认为产生脑电图的头皮电位是由树突状电活动引起的细胞外离子电流引起的，而产生脑磁图信号的场[25]与细胞内离子电流有关。[66]

可以与MEG同时记录EEG，以便可以合并来自这些互补的高分辨率技术的数据。

对脑电图和脑电图数值建模的研究也已经完成。[67]

正常活动


一秒钟的脑电信号


人类脑电图具有突出的静止状态活动–α律动。 左：EEG迹线（水平–时间以秒为单位；垂直–幅度，比例为100μV）。 右：所示信号的功率谱（垂直线– 10和20 Hz，比例为线性）。 α节律由类正弦波组成，其频率在8–12 Hz范围内（在这种情况下为11 Hz）在后部部位更为突出。 功率谱图中的α范围为红色。


人类的脑电图与处于静止状态。 左：EEG迹线（水平–时间以秒为单位；垂直–幅度，比例为100μV）。 右：所示信号的功率谱（垂直线– 10和20 Hz，比例为线性）。 80％至90％的人有频率在8至12 Hz范围内的明显正弦波，即α律动。 其他人（像这样）缺乏这种活动。


人类脑电图中的常见伪影。 1：由眼球肌肉兴奋引起的眼动伪影（例如，与眨眼有关）。大振幅，缓慢的正波在额电极中突出。 2：由于P3电极与皮肤之间接触不良（因此阻抗较大）而导致的电极伪影。 3：吞下神器。 4：由于参比电极与皮肤接触不良而导致的参比电极伪影。所有频道的巨浪相似。

EEG通常用（1）有节奏的活动和（2）瞬态来描述。有节奏的活动按频率分为频段。在某种程度上，这些频段是一个命名法（即，8-12 Hz之间的任何节奏活动都可以描述为“ α”），但之所以出现这些名称，是因为注意到在某个频率范围内的节奏活动具有一定的意义。在头皮上的分布或具有一定的生物学意义。通常使用频谱方法（例如Welch）提取频段，例如在免费使用的EEG软件（例如EEGLAB或Neurophysiological Biomarker Toolbox）中实现的。脑电的计算过程通常称为定量脑电图（qEEG）。

在头皮脑电图中观察到的大多数大脑信号都在1-20 Hz的范围内（根据标准的临床记录技术，低于或高于此范围的活动可能是人为的）。波形可细分为带宽，分别称为α，β，θ和δ，以表示临床实践中使用的大多数EEG。[68]

Mu抑制可能表明运动镜神经元正在起作用。 Mu抑制的不足，进而镜像神经元的缺失，可能在自闭症中起作用。[74]
在定义中仅使用整数的做法来自实际的考虑，当时的实际情况是，在纸质记录中只能计算整个周期。 导致定义上的空白，如本页其他位置所示。 理论定义总是被仔细地定义为包括所有频率。 不幸的是，在标准参考文献中，关于这些范围应该是什么并没有达成共识– α的上限和β的下限的值包括12、13、14和15。如果将阈值设为14 Hz，则最慢的β 该波的持续时间与最长尖峰（70 ms）相同，这使其成为最有用的值。


人类脑电图具有突出的阿尔法心律
波型


三角洲波
Delta是最高4 Hz的频率范围。 它的振幅往往最高，而波则最慢。 通常在成年人的慢波睡眠中可见。 在婴儿中也正常可见。 它可能集中在皮质下病变处，并普遍分布于弥散性病变，代谢性脑病，脑积水或深中线病变。 通常在成人中最突出（例如FIRDA –额叶间歇性节律性三角洲），在儿童中最突出（例如OIRDA –枕部间歇性节律性三角洲）。


θ波
θ波是4 Hz至7 Hz的频率范围。 θ波通常出现在幼儿中。 在较大的儿童和成年人中可能会出现嗜睡或唤醒状态； 它也可以在冥想中看到。[76] 超过年龄的θ波代表异常活动。 可以认为是局灶性皮层下病变的局灶性紊乱。 在弥漫性疾病或代谢性脑病或深中线疾病或脑积水的某些情况下，可以普遍分布。 相反，该范围与放松，冥想和创造性状态的报告有关。


α波
α是从7 Hz到13 Hz的频率范围。[77] 汉斯·伯格（Hans Berger）命名了他观察到的第一个有节奏的脑电活动“α波”。 这是在头部两侧的后部区域中看到的“后部基本节律”（也称为“后部显性节律”或“后部α节律”），在显性侧振幅更高。 它随着眼睛的闭合和放松而出现，并随着睁眼或精神消耗而减弱。 幼儿的后基本节律实际上比8 Hz慢（因此在技术上在θ范围内）。


感觉运动节律又称亩律
除后部基本节律外，还有其他正常的α节律，例如mu节律（对侧感觉和运动皮层区域的α活动）在手和手臂空转时出现。 和“第三节奏”（颞叶或额叶中的α活动）。[78] [79] α可能异常； 例如，具有在昏迷中发生弥漫性α并且对外部刺激没有敏感的脑电图被称为“α昏迷”。


β波
β是从14 Hz到大约30 Hz的频率范围。 通常在两侧对称分布，正面最明显。 β的活动与运动行为密切相关，通常在主动运动时会减弱。[80] 具有多个变化频率的低振幅β通常与活跃，忙碌或焦虑的思维和活跃的注意力有关。 具有支配性频率的节律性β与各种病理相关，例如Dup15q综合征和药物作用，尤其是苯二氮卓类。 皮质损伤区域可能没有或减少了。 这是机敏，焦虑或睁开眼睛的患者的主要节律。


γ波
γ是大约30–100 Hz的频率范围。 γ节奏被认为代表不同神经元群体结合成一个网络，以执行某种认知或运动功能。[1]
Mu范围是8–13 Hz，并且与其他频率部分重叠。它反映了静止状态下运动神经元的同步放电。人们认为Mu抑制反映了运动镜像神经元系统，因为观察到动作后，模式会消失，可能是因为正常和镜像神经元系统“不同步”并相互干扰。[74]
在某些研究背景下，使用DC放大器记录“超慢”或“近DC”活动。由于在这些频率下的信号容易受到许多伪影的影响，因此通常不会在临床情况下进行记录。

脑电图的某些特征是短暂的而不是有节奏的。尖峰和尖锐波可能代表癫痫或易患癫痫病的个体的癫痫发作或发作间期活动。其他瞬态特征是正常的：在正常睡眠中可以看到顶点波和睡眠纺锤。

请注意，有些活动类型在统计上并不常见，但与功能障碍或疾病无关。这些通常称为“正常变体”。 mu节奏是正常变体的一个例子。

正常的脑电图（EEG）随年龄而变化。产前脑电图和新生儿脑电图与成人脑电图有很大不同。妊娠中期和新生儿的胎儿表现出两种常见的大脑活动模式：“不连续”和“痕量交替”。 “不连续的”电活动是指电活动的尖锐爆发，随后是低频波。 “踪迹交替”电活动描述了尖锐的爆发，随后是短的高振幅间隔，通常表示新生儿安静的睡眠。[81]儿童时期的EEG通常比成人EEG的频率振荡慢。

正常的脑电图也会根据状态而变化。 EEG与其他测量（EOG，EMG）一起用于定义多导睡眠描记术中的睡眠阶段。我的第一阶段睡眠（在某些系统中相当于嗜睡）在脑电图上表现为后基本节律的下降。 θ频率可能会增加。 Santamaria和Chiappa列出了与嗜睡相关的多种模式。 II期睡眠的特征是睡眠纺锤体–在12至14 Hz范围内（有时称为“ sigma”谱带）进行有规律的瞬时活动，并具有额中中心最大值。第二阶段的大多数活动在3–6 Hz范围内。 III期和IV期睡眠是由频率变化来定义的，通常统称为“慢波睡眠”。 I至IV期包括非快速眼动（或“ NREM”）睡眠。 REM（快速眼动）睡眠中的EEG看起来与清醒的EEG相似。

全身麻醉下的脑电图取决于所用麻醉剂的类型。使用卤代麻醉药（例如氟烷）或静脉内药物（例如丙泊酚）时，在头皮的大多数部位，尤其是前部，观察到快速（α或低β）的非反应性EEG模式。在一些较旧的术语中，这被称为WAR（前快速广泛分布）模式，与高剂量的鸦片制剂相关的WAIS（缓慢缓慢分布）模式形成对比。在不同种类的突触和允许同步神经元活动的回路的药物作用方面，人们已经开始认识到对EEG信号的麻醉作用。

伪像
生物制品

人类脑电图的主要伪像类型
脑电图在头皮上检测到但源自非脑源的电信号称为伪影。脑电数据几乎总是被此类伪影污染。相对于感兴趣的皮层信号的幅度大小，伪像的幅度可能会很大。这就是为什么需要大量经验才能在临床上正确解释脑电图的原因之一。一些最常见的生物制品类型包括：

眼睛引起的伪影（包括眨眼，眼球运动和眼外肌活动）
心电图（心脏）伪影
EMG（肌肉激活）诱导的伪像
肌动蛋白
眼部最明显的伪影是由角膜和视网膜之间的电位差引起的，与脑电势相比，该电位差非常大。当眼睛和眼睑完全静止时，此角膜视网膜偶极子不会影响脑电图。但是，眨眼每分钟发生几次，眼睛运动每秒发生几次。眼睑运动主要发生在眨眼或垂直眼球运动期间，在眼上和眼下的电眼（EOG）通道之间的差异中引起很大的潜力。对这种潜力的既定解释是将眼睑当作滑动电极，使带正电的角膜短路至眼外皮肤。[82] [83]眼球的旋转，进而是角膜视网膜偶极子的旋转，增加了眼睛旋转的电极中的电势，并降低了相对电极中的电势。[84]被称为扫视的眼球运动也会产生瞬时的肌电图电位，称为突波电位（SPs）。[85]这些SP的光谱与γ波段重叠（见γ波），并严重混淆了对诱导的γ波段分辨桥脑的分析，[86]需要量身定制的伪影校正方法。[85]有目的或自反的眨眼也会产生肌电图电位，但更重要的是，眨眼期间眼球会发生自反运动，从而呈现出EEG的特征性人为外观（请参阅Bell现象）。

特征类型的眼睑扑动伪影以前称为节奏（或к波）。通常在前额线中看到，也就是在眼睛上方。有时他们会因精神活动而被看到。它们通常在θ（4–7 Hz）或α（7–14 Hz）范围内。之所以命名它们，是因为它们被认为源自大脑。后来的研究表明，它们是由眼睑的快速拍打产生的，有时如此之短，以至于很难看到。实际上，它们是EEG读数中的噪音，从技术上讲，不应将其称为节奏或波动。因此，当前在脑电图中使用的现象是指眼睑飘动的伪影，而不是k节奏（或к波）。[87]

这些工件中的一些可能在各种应用程序中很有用。例如，EOG信号可用于检测[85]并跟踪眼球运动，这在多导睡眠描记术中非常重要，在常规EEG中也可用于评估警觉性，嗜睡或睡眠的变化。

ECG伪影很常见，可以误认为是峰值活动。因此，现代EEG采集通常包括来自四肢的单通道ECG。这也使EEG能够识别出心律不齐，这是对晕厥或其他突发性/发作性疾病的重要鉴别诊断。

肌动动力学伪影是由舌根和根尖之间的电位差引起的。小舌运动会污染脑电图，特别是在帕金森氏病和震颤症中。

环境文物
除了人体产生的伪影外，许多伪影还来自人体外部。患者的移动，甚至只是电极的沉降，都可能导致电极爆裂，尖峰，这是由于给定电极阻抗的瞬时变化引起的。 EEG电极接地不良会导致50或60 Hz的伪影，具体取决于本地电源系统的频率。可能的干扰的第三个来源可能是静脉滴注。此类设备可能会导致有节奏的，快速的低压突发，而这些突发可能会与尖峰混淆。

运动伪影会引入可掩盖感兴趣的神经信号的信号噪声。[88]因此，有效的信号噪声处理措施在科学界引起了极大的兴趣。[89]

可以将配备有EEG的幻像头放置在运动平台上，并以正弦形式移动。这使得研究人员能够研究运动伪影去除算法的有效性。[88] [89]使用相同模型的幻影头和运动平台，可以确定电缆摇摆是运动伪影的主要归因。但是，增加电极的表面积对减少伪影的影响很小但很明显。[88]这项研究是由美国陆军研究实验室以认知和神经人机工程学协作技术联盟的一部分进行的。

伪影校正
最近，独立成分分析（ICA）技术已用于纠正或去除EEG污染物。[85] [90] [91] [92] [93] [94]这些技术试图将EEG信号“解混”为一定数量的基础成分。有许多源分离算法，通常会假设脑电图的各种行为或性质。无论如何，任何特定方法背后的原理通常只允许“重新混合”那些通过消除（归零）多余成分的重量而导致“干净” EEG的成分。还开发了使用ICA的全自动伪像剔除方法。[95]

在过去的几年中，通过比较瘫痪者和非瘫痪者的数据，发现肌肉对脑电图的污染比以前认识的要普遍得多，特别是在20 Hz以上的γ范围内。[96]然而，已经证明，表面拉普拉斯算子可以有效消除肌肉假象，特别是对于远离最强污染物的中央电极而言。[97]在后续研究中，将表面拉普拉斯算术与使用ICA去除肌肉成分的自动化技术相结合特别有效。[98]

活动异常
异常活动可大致分为癫痫样和非癫痫样活动。它也可以分为焦点或弥散。

局灶性癫痫样放电代表大脑某些离散区域中大量神经元的快速同步电位。这些可能在发作之间以发作间期活动的形式出现，并代表可能易诱发癫痫发作的皮层易怒区域。发作间期放电对于确定患者是否患有癫痫病或癫痫发作可能并不完全可靠。 （请参阅局灶性癫痫。）

广义癫痫样放电通常具有前最大值，但在整个大脑中同步可见。他们强烈暗示全身性癫痫。

局灶性非癫痫样异常活动可能发生在大脑皮层或白质局灶性损害的区域。它通常包括慢节奏的增加和/或正常高频节奏的丧失。它也可能表现为EEG信号幅度的局灶性或单方面降低。

弥漫性非癫痫样异常活动可能表现为弥漫性异常缓慢节律或正常节律的双侧减慢，例如PBR。

皮层内脑电图电极和硬脑膜下电极可串联使用，以区分和离散伪影与癫痫样和其他严重的神经系统事件。

最近，更先进的EEG信号异常测量也已引起关注，作为针对各种疾病（例如阿尔茨海默氏病）的可能的生物标志物。[99]

远程通讯
美国陆军研究诊室在2009年向加州大学欧文分校的研究人员提供了400万美元的预算，用于开发脑电图处理技术，以识别虚构的言语和意图的方向，从而使战场上的士兵能够通过计算机介导的团队成员的重建进行沟通'脑电信号，以可理解的信号形式，例如单词。[100]

脑电图诊断
国防部（DoD）和退伍军人事务（VA）以及美国陆军研究实验室（ARL）合作开展了EEG诊断，以检测战斗人员的轻度至中度创伤性脑损伤（mTBI）。 [101]在2000年至2012年之间，美国军事行动中有75％的脑损伤被归类为mTBI。为了应对这种伤害，国防部采用了能够快速，准确，无创且能够现场检测mTBI的新技术来应对这一伤害。 [101]

战斗人员经常遭受PTSD和mTBI的相互影响。两种情况都伴随着低频脑电波振荡的改变。[102] PTSD患者的脑电波改变导致低频振荡减少，而mTBI损伤与低频电波振荡增加有关。有效的脑电图诊断可以帮助医生准确识别病情并适当治疗受伤，以减轻长期影响。 [103]

传统上，脑电图的临床评估涉及视觉检查。定量脑电图（qEEG）是计算机算法方法，而不是对脑波振荡形貌的视觉评估，而是分析大脑的特定区域并将数据转换为该区域的有意义的“功率谱”。 [101]准确区分mTBI和PTSD可以显著提高患者的积极恢复结果，尤其是因为在最初的mTBI事件发生后，神经沟通的长期变化可以持续。 [103]

经济学
存在用于低成本研究和消费者市场的廉价EEG设备。最近，一些公司已经将医疗级EEG技术小型化，以创建可供公众使用的版本。这些公司中的一些已经制造出零售价不到100美元的商用EEG设备。

OpenEEG在2004年发布了其ModularEEG作为开源硬件。兼容的开源软件包括一个用于平衡球的游戏。
在2007年，NeuroSky与游戏NeuroBoy一起发布了首个可负担的基于消费者的EEG。这也是第一款使用干式传感器技术的大型脑电图设备。[104]
OCZ Technology在2008年开发了主要用于肌电图的视频游戏设备。
在2008年，最终幻想开发商Square Enix宣布与NeuroSky合作开发一款游戏Judecca。[105] [106]
2009年，美泰与NeuroSky合作发行了Mindflex，这款游戏使用脑电图来引导球穿过障碍物路线。迄今为止，迄今为止，最畅销的基于消费者的EEG。[105] [107]
[105] [108] 2009年，米尔顿大叔工业公司与NeuroSky合作发布了《星球大战原力训练师》，该游戏旨在制造拥有原力的幻觉。[105] [108]
2009年，Emotiv发布了14通道EEG设备EPOC。 EPOC是第一个不使用干式传感器技术的商业BCI，要求用户将盐溶液涂到电极垫上（使用一两个小时后需要润湿）。[109]
2010年，NeuroSky为MindSet添加了眨眼和肌电图功能。[110]
2011年，NeuroSky发布了MindWave，这是一种用于教育目的和游戏的EEG设备。[111] [112] MindWave因“使用大脑控制界面移动的最重的机器”而赢得了吉尼斯世界纪录奖。[113]
2012年，日本的一个小工具项目Neurowear发布了Necomimi：带有电动猫耳朵的耳机。耳机是NeuroSky MindWave装置，在头带上有两个运动，猫的耳朵可能在那里。形状像猫耳朵的沙发套位于电机上方，因此当设备记录情绪状态时，耳朵就会移动以产生联系。例如，放松时，耳朵会掉到一边，再次兴奋时会振作起来。
在2013年成功开展kickstarter活动之后，OpenBCI在2014年发布了同名的开源脑机接口。基本OpenBCI具有8个通道，可扩展到16个通道，并支持EEG，EKG和EMG。 OpenBCI基于德州仪器（TI）的ADS1299 IC和Arduino或PIC微控制器，基本版本的价格为399美元。它使用标准的金属杯电极和导电胶。
2015年，Mind Solutions Inc发布了迄今为止最小的消费者BCI，即NeuroSync。此设备用作干式传感器，尺寸不大于蓝牙耳机。[114]
2015年，一家中国公司Macrotellect推出了BrainLink Pro和BrainLink Lite，这是一种消费级EEG可穿戴产品，可在Apple和Android App Store上提供20种增强大脑适应性的应用程序。[115]

未来研究
除了临床诊断和常规认知神经科学的常规用途外，EEG还用于许多目的。一种早期用途是在第二次世界大战期间，美国陆军航空兵队筛选出有癫痫发作危险的飞行员； [116]癫痫患者的长期脑电图记录今天仍用于癫痫发作预测。神经反馈仍然是一个重要的扩展，它也以最先进的形式被尝试作为脑计算机接口的基础。[117]脑电图在神经营销领域也被广泛使用。

影响脑电的药物会改变脑电图，这些药物是心理药理学的基础。伯杰的早期实验记录了药物对脑电图的影响。药物脑电图科学已经发展出一种方法，可以识别能够系统改变脑功能以用于治疗和娱乐用途的物质。

本田正试图开发一种系统，以使操作员能够使用EEG来控制其Asimo机器人，而EEG最终希望将该技术应用于其汽车。[118]

在印度马哈拉施特拉邦，脑电图已被用作刑事审判的证据。[119] [120]在马哈拉施特拉邦诉沙尔马州案的审判中，使用了一种脑电振荡特征曲线分析法（BEOS），以证明沙尔玛曾记得曾用砷毒化未婚夫，尽管BEOS的可靠性和科学基础受到争议。 121]

为了使EEG设备更小，更便携和更易于使用，目前正在进行大量研究。所谓的“可穿戴式EEG”是基于创建不需要使用导电胶的低功率无线采集电子设备和“干式”电极。[122]可穿戴式EEG旨在提供仅出现在头部的小型EEG设备，并且可以一次记录几天，几周或几个月的EEG，作为耳式EEG。这种长期且易于使用的监视可以改变诸如癫痫病等慢性病的诊断，并极大地提高最终用户对BCI系统的接受度。[123]还正在研究确定特定解决方案，以通过使用数据缩减方法来延长可穿戴EEG设备的电池寿命。例如，在癫痫诊断的背景下，数据减少已用于通过智能选择并仅传输诊断相关的EEG数据来延长可穿戴EEG设备的电池寿命。[124]

来自音乐表演者的EEG信号被Brainwave音乐项目用来制作即时音乐作品和一张CD，该项目由Brad Garton和Dave Soldier在哥伦比亚大学计算机音乐中心运行。

另见
10-20 system (EEG)
Amplitude integrated electroencephalography
Binaural beats
Brain-computer interface
Brainwave synchronization
Cerebral function monitoring
Comparison of consumer brain-computer interface devices
Direct brain interfaces
EEG measures during anesthesia
EEG microstates
Electrocorticography
Electromagnetic pulse
Electroneurogram
Electropalatograph
Emotiv Systems
European data format
Event-related potential
Evoked potential
FieldTrip
God helmet
Hemoencephalography
Hypersynchronization of electrophysiological activity in epilepsy
Imagined Speech
Induced activity
Intracranial EEG
Local field potentials
Magnetoencephalography
Mind machine
Neural oscillations
Neurofeedback
Ongoing brain activity
Spontaneous potential
EEG analysis
参考
Niedermeyer E.; da Silva F.L. (2004). Electroencephalography: Basic Principles, Clinical Applications, and Related Fields. Lippincott Williams & Wilkins. ISBN 978-0-7817-5126-1.[page needed]
Tatum, William O. (2014). Handbook of EEG interpretation. Demos Medical Publishing. pp. 155–190. ISBN 9781617051807. OCLC 874563370.
"EEG".
Chernecky, Cynthia C.; Berger, Barbara J. (2013). Laboratory tests and diagnostic procedures (6th ed.). St. Louis, Mo.: Elsevier. ISBN 9781455706945.
Swartz, Barbara E. (1998). "The advantages of digital over analog recording techniques". Electroencephalography and Clinical Neurophysiology. 106 (2): 113–7. doi:10.1016/S0013-4694(97)00113-2. PMID 9741771.
Coenen, Anton; Edward Fine; Oksana Zayachkivska (2014). "Adolf Beck: A Forgotten Pioneer In Electroencephalography". Journal of the History of the Neurosciences. 23 (3): 276–286. doi:10.1080/0964704x.2013.867600. PMID 24735457.
Pravdich-Neminsky, VV. (1913). "Ein Versuch der Registrierung der elektrischen Gehirnerscheinungen". Zentralblatt für Physiologie. 27: 951–60.
Haas, L F (2003). "Hans Berger (1873-1941), Richard Caton (1842-1926), and electroencephalography". Journal of Neurology, Neurosurgery & Psychiatry. 74 (1): 9. doi:10.1136/jnnp.74.1.9. PMC 1738204. PMID 12486257.
Millet, David (2002). "The Origins of EEG". International Society for the History of the Neurosciences (ISHN).
"Beckman Instruments Supplying Medical Flight Monitoring Equipment" (PDF). Space News Roundup. March 3, 1965. pp. 4–5. Retrieved 7 August 2019.
S. Bozinovski, M. Sestakov, L. Bozinovska: Using EEG α rhythm to control a mobile robot, In G. Harris, C. Walker (eds.) Proc. IEEE Annual Conference of Medical and Biological Society, p. 1515-1516, New Orleans, 1988
S. Bozinovski: Mobile robot trajectory control: From fixed rails to direct bioelectric control, In O. Kaynak (ed.) Proc. IEEE Workshop on Intelligent Motion Control, p. 63-67, Istanbul, 1990.
Nield, David. "Scientists Have Connected The Brains of 3 People, Enabling Them to Share Thoughts". ScienceAlert. Retrieved 2018-10-05.
"'Social Network' BrainNet Lets People Communicate Mentally - Geek.com". Geek.com. 2018-10-03. Retrieved 2018-10-05.
https://www.mayoclinic.org/tests ... /about/pac-20393875
Bird, Jordan J.; Manso, Luis J.; Ekart, Aniko; Faria, Diego R. (September 2018). A Study on Mental State Classification using EEG-based Brain-Machine Interface. Madeira Island, Portugal: 9th international Conference on Intelligent Systems 2018. Retrieved 3 December 2018.
Bird, Jordan J.; Ekart, Aniko; Buckingham, Christopher D.; Faria, Diego R. (2019). Mental Emotional Sentiment Classification with an EEG-based Brain-Machine Interface. St Hugh's College, University of Oxford, United Kingdom: The International Conference on Digital Image and Signal Processing (DISP'19). Retrieved 3 December 2018.
Vanneste S, Song JJ, De Ridder D (March 2018). "Thalamocortical dysrhythmia detected by machine learning". Nature Communications. 9 (1): 1103. Bibcode:2018NatCo...9.1103V. doi:10.1038/s41467-018-02820-0. PMC 5856824. PMID 29549239.
American Academy of Neurology. "Five Things Physicians and Patients Should Question". Choosing Wisely: An Initiative of the ABIM Foundation. Retrieved August 1, 2013., which cites
Gronseth, G. S.; Greenberg, M. K. (1995). "The utility of the electroencephalogram in the evaluation of patients presenting with headache: A review of the literature". Neurology. 45 (7): 1263–1267. doi:10.1212/WNL.45.7.1263. PMID 7617180.
Yang, H.; Ang, K.K.; Wang, C.; Phua, K.S.; Guan, C. (2016), "Neural and cortical analysis of 吞下ing and detection of motor imagery of 吞下 for dysphagia rehabilitation—A review", Progress in Brain Research, 228: 185–219, doi:10.1016/bs.pbr.2016.03.014, ISBN 9780128042168, PMID 27590970
Jestrović, Iva; Coyle, James L; Sejdić, Ervin (2015-09-15). "Decoding human 吞下ing via electroencephalography: a state-of-the-art review". Journal of Neural Engineering. 12 (5): 051001. Bibcode:2015JNEng..12e1001J. doi:10.1088/1741-2560/12/5/051001. ISSN 1741-2560. PMC 4596245. PMID 26372528.
Cuellar, M.; Harkrider, A.W.; Jenson, D.; Thornton, D.; Bowers, A.; Saltuklaroglu, T. (July 2016). "Time–frequency analysis of the EEG mu rhythm as a measure of sensorimotor integration in the later stages of 吞下ing". Clinical Neurophysiology. 127 (7): 2625–2635. doi:10.1016/j.clinph.2016.04.027. ISSN 1388-2457. PMID 27291882.
Vespa, Paul M.; Nenov, Val; Nuwer, Marc R. (1999). "Continuous EEG Monitoring in the Intensive Care Unit: Early Findings and Clinical Efficacy". Journal of Clinical Neurophysiology. 16 (1): 1–13. doi:10.1097/00004691-199901000-00001. PMID 10082088.
Schultz, Teal L. (2012). "Technical Tips: MRI Compatible EEG Electrodes: Advantages, Disadvantages, And Financial Feasibility In A Clinical Setting". Neurodiagnostic Journal 52.1: 69–81.
Hämäläinen, Matti; Hari, Riitta; Ilmoniemi, Risto J.; Knuutila, Jukka; Lounasmaa, Olli V. (1993). "Magnetoencephalography-theory, instrumentation, and applications to noninvasive studies of the working human brain". Reviews of Modern Physics. 65 (2): 413–97. Bibcode:1993RvMP...65..413H. doi:10.1103/RevModPhys.65.413.
O'Regan, S; Faul, S; Marnane, W (2010). "Automatic detection of EEG artifacts arising from head movements". 2010 Annual International Conference of the IEEE Engineering in Medicine and Biology. pp. 6353–6. doi:10.1109/IEMBS.2010.5627282. ISBN 978-1-4244-4123-5.
Murphy, Kieran J.; Brunberg, James A. (1997). "Adult claustrophobia, anxiety and sedation in MRI". 磁共振成像. 15 (1): 51–4. doi:10.1016/S0730-725X(96)00351-7. PMID 9084025.
Schenck, John F. (1996). "The role of magnetic susceptibility in 磁共振成像: MRI magnetic compatibility of the first and second kinds". Medical Physics. 23 (6): 815–50. Bibcode:1996MedPh..23..815S. doi:10.1118/1.597854. PMID 8798169.
Yasuno, Fumihiko; Brown, Amira K; Zoghbi, Sami S; Krushinski, Joseph H; Chernet, Eyassu; Tauscher, Johannes; Schaus, John M; Phebus, Lee A; Chesterfield, Amy K; Felder, Christian C; Gladding, Robert L; Hong, Jinsoo; Halldin, Christer; Pike, Victor W; Innis, Robert B (2007). "The PET Radioligand \11C]MePPEP Binds Reversibly and with High Specific Signal to Cannabinoid CB1 Receptors in Nonhuman Primate Brain". Neuropsychopharmacology. 33 (2): 259–69. doi:10.1038/sj.npp.1301402. PMID 17392732.
Mulholland, Thomas (2012). "Objective EEG 方法 for Studying Covert Shifts of Visual Attention". In McGuigan, F. J.; Schoonover, R. A. (eds.). The Psychophysiology of Thinking: Studies of Covert Processes. pp. 109–51. ISBN 978-0-323-14700-2.
Hinterberger, Thilo; Kübler, Andrea; Kaiser, Jochen; Neumann, Nicola; Birbaumer, Niels (2003). "A brain–computer interface (BCI) for the locked-in: Comparison of different EEG classifications for the thought translation device". Clinical Neurophysiology. 114 (3): 416–25. doi:10.1016/S1388-2457(02)00411-X. PMID 12705422.
Sereno, SC; Rayner, K; Posner, MI (1998). "Establishing a time-line of word recognition: Evidence from eye movements and event-related potentials". NeuroReport. 9 (10): 2195–200. doi:10.1097/00001756-199807130-00009. PMID 9694199.
Feinberg, I.; Campbell, I. G. (2012). "Longitudinal sleep EEG trajectories indicate complex patterns of adolescent brain maturation". AJP: Regulatory, Integrative and Comparative Physiology. 304 (4): R296–303. doi:10.1152/ajpregu.00422.2012. PMC 3567357. PMID 23193115. Lay summary – ScienceDaily (March 19, 2013).
Srinivasan, Ramesh (1999). "方法 to Improve the Spatial Resolution of EEG". International Journal. 1 (1): 102–11.
Schlögl, Alois; Slater, Mel; Pfurtscheller, Gert (2002). "Presence research and EEG" (PDF).
Huang-Hellinger, F.; Breiter, H.; McCormack, G.; Cohen, M.; Kwong, K. (1995). "Simultaneous Functional 磁共振成像 and Electrophysiological Recording". Human Brain Mapping. 3: 13–23. doi:10.1002/hbm.460030103.
Goldman, Robin; Stern, John; Engel, John; Cohen, Mark (2000). "Acquiring Simultaneous EEG and Functional MRI". Clinical Neurophysiology. 111 (11): 1974–80. doi:10.1016/s1388-2457(00)00456-9.
Horovitz, Silvina G.; Skudlarski, Pawel; Gore, John C. (2002). "Correlations and 分离s between BOLD signal and P300 amplitude in an auditory oddball task: A parametric approach to combining fMRI and ERP". 磁共振成像. 20 (4): 319–25. doi:10.1016/S0730-725X(02)00496-4. PMID 12165350.
Laufs, H; Kleinschmidt, A; Beyerle, A; Eger, E; Salek-Haddadi, A; Preibisch, C; Krakow, K (2003). "EEG-correlated fMRI of human α activity". NeuroImage. 19 (4): 1463–76. CiteSeerX 10.1.1.586.3056. doi:10.1016/S1053-8119(03)00286-6. PMID 12948703.
US patent 7286871, Mark S. Cohen, "Method and apparatus for reducing contamination of an electrical signal", published 2004-05-20
Difrancesco, Mark W.; Holland, Scott K.; Szaflarski, Jerzy P. (2008). "Simultaneous EEG/Functional 磁共振成像 at 4 Tesla: Correlates of Brain Activity to Spontaneous α Rhythm During Relaxation". Journal of Clinical Neurophysiology. 25 (5): 255–64. doi:10.1097/WNP.0b013e3181879d56. PMC 2662486. PMID 18791470.
Huizenga, HM; Van Zuijen, TL; Heslenfeld, DJ; Molenaar, PC (2001). "Simultaneous MEG and EEG source analysis". Physics in Medicine and Biology. 46 (7): 1737–51. Bibcode:2001PMB....46.1737H. CiteSeerX 10.1.1.4.8384. doi:10.1088/0031-9155/46/7/301. PMID 11474922.
Aydin ü, Vorwerk J, Dümpelmann M, Küpper P, Kugel H, Heers M, Wellmer J, Kellinghaus C, Haueisen J, Rampp S, Stefan H, Wolters CH (2015). "Combined EEG/MEG can outperform single modality EEG or MEG source reconstruction in presurgical epilepsy diagnosis". PLOS ONE (Review). 10 (3): e0118753. Bibcode:2015PLoSO..1018753A. doi:10.1371/journal.pone.0118753. PMC 4356563. PMID 25761059.
Schreckenberger, Mathias; Lange-Asschenfeldt, Christian; Lochmann, Matthias; Mann, Klaus; Siessmeier, Thomas; Buchholz, Hans-Georg; Bartenstein, Peter; Gründer, Gerhard (2004). "The 丘脑 as the generator and modulator of EEG α rhythm: A combined PET/EEG study with lorazepam challenge in humans". NeuroImage. 22 (2): 637–44. doi:10.1016/j.neuroimage.2004.01.047. PMID 15193592.
Herculano-Houzel S (2009). "The Human Brain in Numbers". Frontiers in Human Neuroscience. 3: 31. doi:10.3389/neuro.09.031.2009. PMC 2776484. PMID 19915731.
Tatum, W. O., Husain, A. M., Benbadis, S. R. (2008) "Handbook of EEG Interpretation" Demos Medical Publishing.[page needed]
Nunez PL, Srinivasan R (1981). Electric fields of the brain: The neurophysics of EEG. Oxford University Press.[page needed]
Klein, S.; Thorne, B. M. (3 October 2006). Biological psychology. New York, N.Y.: Worth. ISBN 978-0-7167-9922-1.[page needed]
Whittingstall, Kevin; Logothetis, Nikos K. (2009). "Frequency-Band Coupling in Surface EEG Reflects Spiking Activity in Monkey Visual Cortex". Neuron. 64 (2): 281–9. doi:10.1016/j.neuron.2009.08.016. PMID 19874794.
Towle, Vernon L.; Bolaños, José; Suarez, Diane; Tan, Kim; Grzeszczuk, Robert; Levin, David N.; Cakmur, Raif; Frank, Samuel A.; Spire, Jean-Paul (1993). "The spatial location of EEG electrodes: Locating the best-fitting sphere relative to cortical anatomy". Electroencephalography and Clinical Neurophysiology. 86 (1): 1–6. doi:10.1016/0013-4694(93)90061-Y. PMID 7678386.
"Guideline Seven A Proposal for Standard Montages to Be Used in Clinical EEG". Journal of Clinical Neurophysiology. 11 (1): 30–6. 1994. doi:10.1097/00004691-199401000-00008. PMID 8195424.
Aurlien, H; Gjerde, I.O; Aarseth, J.H; Eldøen, G; Karlsen, B; Skeidsvoll, H; Gilhus, N.E (2004). "EEG 背景 activity described by a large computerized database". Clinical Neurophysiology. 115 (3): 665–73. doi:10.1016/j.clinph.2003.10.019. PMID 15036063.
Nunez, Paul L.; Pilgreen, Kenneth L. (1991). "The Spline-Laplacian in Clinical Neurophysiology". Journal of Clinical Neurophysiology. 8 (4): 397–413. doi:10.1097/00004691-199110000-00005. PMID 1761706.
Taheri, B; Knight, R; Smith, R (1994). "A dry electrode for EEG recording☆". Electroencephalography and Clinical Neurophysiology. 90 (5): 376–83. doi:10.1016/0013-4694(94)90053-1. PMID 7514984.
Alizadeh-Taheri, Babak (1994). "Active Micromachined Scalp Electrode Array for Eeg Signal Recording". PHD Thesis: 82. Bibcode:1994PhDT........82A.
Hockenberry, John (August 2001). "The Next Brainiacs". Wired Magazine.
Slipher, Geoffrey A.; Hairston, W. David; Bradford, J. Cortney; Bain, Erich D.; Mrozek, Randy A. (2018). "Carbon nanofiber-filled conductive silicone elastomers as soft, dry bioelectronic interfaces". PLOS ONE. 13 (2): e0189415. Bibcode:2018PLoSO..1389415S. doi:10.1371/journal.pone.0189415. PMC 5800568. PMID 29408942.
Wang, Fei; Li, Guangli; Chen, Jingjing; Duan, Yanwen; Zhang, Dan (2016-06-06). "Novel semi-dry electrodes for brain–computer interface applications". Journal of Neural Engineering. 13 (4): 046021 (15pp). Bibcode:2016JNEng..13d6021W. doi:10.1088/1741-2560/13/4/046021. PMID 27378253.
Fiedler, P; Griebel, S; Pedrosa, P; Fonseca, C; Vaz, F; Zentner, L; Zanow, F; Haueisen, J (2015-01-01). "Multichannel EEG with novel Ti/TiN dry electrodes". Sensors and Actuators A: Physical. 221: 139–147. doi:10.1016/j.sna.2014.10.010. ISSN 0924-4247.
"Army neuroscientists foresee intelligent agents on the battlefield | U.S. Army Research Laboratory". www.arl.army.mil. Retrieved 2018-08-29.
Kondylis, Efstathios D. (2014). "Detection Of High-Frequency Oscillations By Hybrid Depth Electrodes In Standard Clinical Intracranial EEG Recordings". Frontiers in Neurology. 5: 149. doi:10.3389/fneur.2014.00149. PMC 4123606. PMID 25147541.
Hämäläinen, Matti; Hari, Riitta; Ilmoniemi, Risto J.; Knuutila, Jukka; Lounasmaa, Olli V. (1993). "Magnetoencephalography—theory, instrumentation, and applications to noninvasive studies of the working human brain". Reviews of Modern Physics. 65 (2): 413–497. Bibcode:1993RvMP...65..413H. doi:10.1103/RevModPhys.65.413.
Murakami, S.; Okada, Y. (13 April 2006). "Contributions of principal neocortical neurons to magnetoencephalography and electroencephalography signals". The Journal of Physiology. 575 (3): 925–936. doi:10.1113/jphysiol.2006.105379. PMC 1995687. PMID 16613883.
Anderson, J. (22 October 2004). Cognitive Psychology and Its Implications (Hardcover) (6th ed.). New York, NY: Worth. p. 17. ISBN 978-0-7167-0110-1.
Creutzfeldt, Otto D.; Watanabe, Satoru; Lux, Hans D. (1966). "Relations between EEG phenomena and potentials of single cortical cells. I. Evoked res桥脑es after thalamic and epicortical stimulation". Electroencephalography and Clinical Neurophysiology. 20 (1): 1–18. doi:10.1016/0013-4694(66)90136-2. PMID 4161317.
Buzsaki G (2006). Rhythms of the brain. Oxford University Press. ISBN 978-0-19-530106-9.[page needed]
Tanzer Oguz I. (2006). Numerical Modeling in Electro- and Magnetoencephalography, Ph.D. Thesis. Helsinki University of Technology. ISBN 978-9512280919.
Tatum, William O. (2014). "Ellen R. Grass Lecture: Extraordinary EEG". Neurodiagnostic Journal 54.1: 3–21.
Kirmizi-Alsan, Elif; Bayraktaroglu, Zubeyir; Gurvit, Hakan; Keskin, Yasemin H.; Emre, Murat; Demiralp, Tamer (2006). "Comparative analysis of event-related potentials during Go/NoGo and CPT: Decomposition of electrophysiological markers of res桥脑e inhibition and sustained attention". Brain Research. 1104 (1): 114–28. doi:10.1016/j.brainres.2006.03.010. PMID 16824492.
Frohlich, Joel; Senturk, Damla; Saravanapandian, Vidya; Golshani, Peyman; Reiter, Lawrence; Sankar, Raman; Thibert, Ronald; DiStefano, Charlotte; Cook, Edwin; Jeste, Shafali (December 2016). "A Quantitative Electrophysiological Biomarker of Duplication 15q11.2-q13.1 Syndrome". PLOS ONE. 11 (12): e0167179. Bibcode:2016PLoSO..1167179F. doi:10.1371/journal.pone.0167179. PMC 5157977. PMID 27977700.
Kisley, Michael A.; Cornwell, Zoe M. (2006). "γ and β neural activity evoked during a sensory gating paradigm: Effects of auditory, somatosensory and cross-modal stimulation". Clinical Neurophysiology. 117 (11): 2549–63. doi:10.1016/j.clinph.2006.08.003. PMC 1773003. PMID 17008125.
Kanayama, Noriaki; Sato, Atsushi; Ohira, Hideki (2007). "Crossmodal effect with rubber hand illusion and γ-band activity". Psychophysiology. 44 (3): 392–402. doi:10.1111/j.1469-8986.2007.00511.x. PMID 17371495.
Gastaut, H (1952). "Electrocorticographic study of the reactivity of rolandic rhythm". Revue Neurologique. 87 (2): 176–82. PMID 13014777.
Oberman, Lindsay M.; Hubbard, Edward M.; McCleery, Joseph P.; Altschuler, Eric L.; Ramachandran, Vilayanur S.; Pineda, Jaime A. (2005). "EEG evidence for mirror neuron dysfunction in autism spectrum disorders". Cognitive Brain Research. 24 (2): 190–8. doi:10.1016/j.cogbrainres.2005.01.014. PMID 15993757.
Recommendations for the Practice of Clinical Neurophysiology: Guidelines of the International Federation of Clinical Physiology (EEG Suppl. 52) Editors: G. Deuschl and A. Eisen q 1999 International Federation of Clinical Neurophysiology. All rights reserved. Published by Elsevier Science B.V.
Cahn, B. Rael; Polich, John (2006). "Meditation states and traits: EEG, ERP, and neuroimaging studies". Psychological Bulletin. 132 (2): 180–211. doi:10.1037/0033-2909.132.2.180. PMID 16536641.
Gerrard P, Malcolm R (June 2007). "Mechanisms of modafinil: A review of current research". Neuropsychiatr Dis Treat. 3 (3): 349–64. PMC 2654794. PMID 19300566.
Niedermeyer, E. (1997). "α rhythms as physiological and abnormal phenomena". International Journal of Psychophysiology. 26 (1–3): 31–49. doi:10.1016/S0167-8760(97)00754-X. PMID 9202993.
Feshchenko, Vladimir A.; Reinsel, Ruth A.; Veselis, Robert A. (2001). "Multiplicity of the α Rhythm in Normal Humans". Journal of Clinical Neurophysiology. 18 (4): 331–44. doi:10.1097/00004691-200107000-00005. PMID 11673699.
Pfurtscheller, G.; Lopes da Silva, F. H. (1999). "Event-related EEG/MEG synchronization and desynchronization: Basic principles". Clinical Neurophysiology. 110 (11): 1842–57. doi:10.1016/S1388-2457(99)00141-8. PMID 10576479.
Anderson, Amy L; Thomason, Moriah E (2013-11-01). "Functional plasticity before the cradle: A review of neural functional imaging in the human fetus". Neuroscience & Biobehavioral Reviews. 37 (9): 2220–2232. doi:10.1016/j.neubiorev.2013.03.013. ISSN 0149-7634. PMID 23542738.
Barry, W; Jones, GM (1965). "Influence of Eye Lid Movement Upon Electro-Oculographic Recording of Vertical Eye Movements". Aerospace Medicine. 36: 855–8. PMID 14332336.
Iwasaki, Masaki; Kellinghaus, Christoph; Alexopoulos, Andreas V.; Burgess, Richard C.; Kumar, Arun N.; Han, Yanning H.; Lüders, Hans O.; Leigh, R. John (2005). "Effects of eyelid closure, blinks, and eye movements on the electroencephalogram". Clinical Neurophysiology. 116 (4): 878–85. doi:10.1016/j.clinph.2004.11.001. PMID 15792897.
Lins, Otavio G.; Picton, Terence W.; Berg, Patrick; Scherg, Michael (1993). "Ocular artifacts in EEG and event-related potentials I: Scalp topography". Brain Topography. 6 (1): 51–63. doi:10.1007/BF01234127. PMID 8260327.
Keren, Alon S.; Yuval-Greenberg, Shlomit; Deouell, Leon Y. (2010). "Saccadic spike potentials in γ-band EEG: Characterization, detection and suppression". NeuroImage. 49 (3): 2248–63. doi:10.1016/j.neuroimage.2009.10.057. PMID 19874901.
Yuval-Greenberg, Shlomit; Tomer, Orr; Keren, Alon S.; Nelken, Israel; Deouell, Leon Y. (2008). "Transient Induced γ-Band Res桥脑e in EEG as a Manifestation of Miniature Saccades". Neuron. 58 (3): 429–41. doi:10.1016/j.neuron.2008.03.027. PMID 18466752.
Epstein, Charles M. (1983). Introduction to EEG and evoked potentials. J. B. Lippincott Co. ISBN 978-0-397-50598-2.[page needed]
Symeonidou ER, Nordin AD, Hairston WD, Ferris DP (April 2018). "Effects of Cable Sway, Electrode Surface Area, and Electrode Mass on Electroencephalography Signal Quality during Motion". Sensors. 18 (4): 1073. doi:10.3390/s18041073. PMC 5948545. PMID 29614020.
Oliveira, Anderson S; Schlink, Bryan R; Hairston, W David; König, Peter; Ferris, Daniel P (2016). "Induction and separation of motion artifacts in EEG data using a mobile phantom head device". Journal of Neural Engineering. 13 (3): 036014. Bibcode:2016JNEng..13c6014O. doi:10.1088/1741-2560/13/3/036014. PMID 27137818.
Jung, Tzyy-Ping; Makeig, Scott; Humphries, Colin; Lee, Te-Won; McKeown, Martin J.; Iragui, Vicente; Sejnowski, Terrence J. (2000). "Removing electroencephalographic artifacts by blind source separation". Psychophysiology. 37 (2): 163–78. doi:10.1017/S0048577200980259. PMID 10731767.
Jung, Tzyy-Ping; Makeig, Scott; Westerfield, Marissa; Townsechesne, Eric; Sejnowski, Terrence J. (2000). "Removal of eye activity artifacts from visual event-related potentials in normal and clinical subjects". Clinical Neurophysiology. 111 (10): 1745–58. CiteSeerX 10.1.1.164.9941. doi:10.1016/S1388-2457(00)00386-2. PMID 11018488.
Joyce, Carrie A.; Gorodnitsky, Irina F.; Kutas, Marta (2004). "Automatic removal of eye movement and blink artifacts from EEG data using blind component separation". Psychophysiology. 41 (2): 313–25. CiteSeerX 10.1.1.423.5854. doi:10.1111/j.1469-8986.2003.00141.x. PMID 15032997.
Fitzgibbon, Sean P; Powers, David M W; Pope, Kenneth J; Clark, C Richard (2007). "Removal of EEG noise and artifact using blind source separation". Journal of Clinical Neurophysiology. 24 (3): 232–243. doi:10.1097/WNP.0b013e3180556926. PMID 17545826.
Shackman, Alexander J.; McMenamin, Brenton W.; Maxwell, Jeffrey S.; Greischar, Lawrence L.; Davidson, Richard J. (2010). "Identifying robust and sensitive frequency bands for interrogating neural oscillations". NeuroImage. 51 (4): 1319–33. doi:10.1016/j.neuroimage.2010.03.037. PMC 2871966. PMID 20304076.
Nolan, H.; Whelan, R.; Reilly, R.B. (2010). "FASTER: Fully Automated Statistical Thresholding for EEG artifact Rejection". Journal of Neuroscience 方法. 192 (1): 152–62. doi:10.1016/j.jneumeth.2010.07.015. hdl:2262/41103. PMID 20654646.
Whitham, Emma M; Pope, Kenneth J; Fitzgibbon, Sean P; Lewis, Trent W; Clark, C Richard; Loveless, Stephen; Broberg, Marita; Wallace, Angus; DeLosAngeles, Dylan; Lillie, Peter; et al. (2007). "Scalp electrical recording during paralysis: Quantitative evidence that EEG frequencies above 20Hz are contaminated by EMG". Clinical Neurophysiology. 118 (8): 1877–1888. doi:10.1016/j.clinph.2007.04.027. PMID 17574912.
Fitzgibbon, Sean P; Lewis, Trent W; Powers, David M W; Whitham, Emma M; Willoughby, John O; Pope, Kenneth J (2013). "Surface Laplacian of Central Scalp Electrical Signals is Insensitive to Muscle Contamination". IEEE Transactions on Biomedical Engineering. 60 (1): 4–9. doi:10.1109/TBME.2012.2195662. PMID 22542648.
Fitzgibbon, Sean P; DeLosAngeles, Dylan; Lewis, Trent W; Powers, David MW; Whitham, Emma M; Willoughby, John O; Pope, Kenneth J (2014). "Surface Laplacian of scalp electrical signals and independent component analysis resolve EMG contamination of electroencephalogram". Journal International Journal of Psychophysiology.
Montez, Teresa; Poil, S.-S.; Jones, B. F.; Manshanden, I.; Verbunt, J. P. A.; Van Dijk, B. W.; Brussaard, A. B.; Van Ooyen, A.; Stam, C. J.; Scheltens, P.; Linkenkaer-Hansen, K. (2009). "Altered temporal correlations in parietal α and prefrontal θ oscillations in early-stage Alzheimer disease". Proceedings of the National Academy of Sciences. 106 (5): 165–70. Bibcode:2009PNAS..106.1614M. doi:10.1073/pnas.0811699106. PMC 2635782. PMID 19164579.
MURI: Synthetic Telepathy Archived 2012-07-08 at Archive.today. Cnslab.ss.uci.ed m mm m m Retrieved 2011-07-19.
Rapp, Paul E.; Keyser, David O.; Albano, Alfonso; Hernandez, Rene; Gibson, Douglas B.; Zambon, Robert A.; Hairston, W. David; Hughes, John D.; Krystal, Andrew; Nichols, Andrew S. (2015). "创伤tic Brain Injury Detection Using Electrophysiological 方法". Frontiers in Human Neuroscience. 9. doi:10.3389/fnhum.2015.00011. ISSN 1662-5161.
Franke, Laura M.; Walker, William C.; Hoke, Kathy W.; Wares, Joanna R. (August 2016). "Distinction in EEG slow oscillations between chronic mild 创伤tic brain injury and PTSD". International Journal of Psychophysiology: Official Journal of the International Organization of Psychophysiology. 106: 21–29. doi:10.1016/j.ijpsycho.2016.05.010. ISSN 1872-7697. PMID 27238074.
"Study: EEG can help tell apart PTSD, mild 创伤tic brain injury". www.research.va.gov. Retrieved 2019-10-09.
"Mind Games". The Economist. 2007-03-23.
Li, Shan (2010-08-08). "Mind reading is on the market". Los Angeles Times.
"Brains-on with NeuroSky and Square Enix's Judecca mind-control game". Engadget. Retrieved 2010-12-02.
"New games powered by brain waves". Physorg.com. Archived from the original on 2011-06-06. Retrieved 2010-12-02.
Snider, Mike (2009-01-07). "Toy trains 'Star Wars' fans to use The Force". USA Today. Retrieved 2010-05-01.
"Emotiv Systems Homepage". Emotiv.com. Retrieved 2009-12-29.
"News - NeuroSky Upgrades SDK, Allows For Eye Blink, Brainwave-Powered Games". Gamasutra. 2010-06-30. Retrieved 2010-12-02.
Fiolet, Eliane. "NeuroSky MindWave Brings Brain-Computer Interface to Education". www.ubergizmo.com. Ubergizmo.
Haider, Ali; Fazel-Rezai, Reza (2017). Event-Related Potentials and Evoked Potentials. InTech. doi:10.5772/intechopen.69309. ISBN 978-953-51-3639-2.
"NeuroSky MindWave Sets Guinness World Record for "Largest Object Moved Using a Brain-Computer Interface"". NeuroGadget.com. NeuroGadget.
"Product Launch! Neurosync - The World's Smallest Brain-Computer-Interface". www.prnewswire.com. July 15, 2015. Retrieved July 21, 2017.
"APP - Macrotellect". o.macrotellect.com. Retrieved 2016-12-08.
Keiper, Adam. "The Age of Neuroelectronics". The New Atlantis. Archived from the original on 2016-02-12.
Wan, Feng; da Cruz, Janir Nuno; Nan, Wenya; Wong, Chi Man; Vai, Mang I; Rosa, Agostinho (2016-05-06). "α neurofeedback training improves SSVEP-based BCI performance". Journal of Neural Engineering. 13 (3): 036019. Bibcode:2016JNEng..13c6019W. doi:10.1088/1741-2560/13/3/036019. ISSN 1741-2560. PMID 27152666.
Mind over matter: Brain waves control Asimo Archived 2009-04-03 at the Wayback Machine 1 Apr 2009, Japan Times
This brain test maps the truth 21 Jul 2008, 0348 hrs IST, Nitasha Natu, TNN
"Puranik, D.A., Joseph, S.K., Daundkar, B.B., Garad, M.V. (2009). Brain Signature profiling in India. Its status as an aid in investigation and as corroborative evidence – as seen from judgments. Proceedings of XX All India Forensic Science Conference, 815 – 822, November 15 – 17, Jaipur" (PDF).
Gaudet, Lyn M. 2011. “BRAIN FINGERPRINTING, SCIENTIFIC EVIDENCE, AND DAUBERT: A CAUTIONARY LESSON FROM INDIA.” Jurimetrics: The Journal of Law, Science & Technology 51(3):293–318. Retrieved (https://www.jstor.org/stable/41307131?seq=1#page_scan_tab_内容).
Casson, Alexander; Yates, David; Smith, Shelagh; Duncan, John; Rodriguez-Villegas, Esther (2010). "Wearable electroencephalography. What is it, why is it needed, and what does it entail?". IEEE Engineering in Medicine and Biology Magazine. 29 (3): 44–56. doi:10.1109/MEMB.2010.936545. hdl:10044/1/5910. PMID 20659857.
Looney, D.; Kidmose, P.; Park, C.; Ungstrup, M.; Rank, M. L.; Rosenkranz, K.; Mandic, D. P. (2012-11-01). "The In-the-Ear Recording Concept: User-Centered and Wearable Brain Monitoring". IEEE Pulse. 3 (6): 32–42. doi:10.1109/MPUL.2012.2216717. ISSN 2154-2287. PMID 23247157.
Iranmanesh, Saam; Rodriguez-Villegas, Esther (2017). "A 950 nW Analog-Based Data Reduction Chip for Wearable EEG Systems in Epilepsy". IEEE Journal of Solid-State Circuits. 52 (9): 2362–2373. Bibcode:2017IJSSC..52.2362I. doi:10.1109/JSSC.2017.2720636. hdl:10044/1/48764.