百家爭鳴 | 頭皮腦電能夠做什么以及不能夠做什么？

任何技術（例如腦機接口等[1,2,3]）都有其能力的邊界，腦成像技術亦不例外，諸如fMRI[4]和fNIRS[5]等技術也存在能力邊界。頭皮腦電（以下簡稱腦電）是通過在頭皮表面放置電極采集的大腦電生理活動信號。盡管腦電在時間分辨率方面具有明顯優勢，但其空間分辨率和信噪比較低，且容易受到偽跡的干擾[6,7,8]，因此腦電信號中包含或承載的有用信息是有限的。此外，即使采用當前最先進的腦電信號解析方法，所能提取或識別的有效信息仍然受到一定的上限限制，解析算法的能力本身也存在邊界，難以全面揭示腦電信號中的所有潛在信息[9]。因此，腦電信號的有效信息量是有限的，且解析方法的能力也受限于一定的邊界。然而，腦電的能力常常被過度夸大，某些基于腦電的研究結果超出了其實際的能力邊界。

圖片來源于網絡

在神經修復研究與實踐中，基于腦電電極節點構建腦網絡及其特征分析所獲得的結果應謹慎解讀，并非所有結論都具備可重復性、穩定性和可靠性[10]。同樣，通過腦電溯源分析（source analysis）所得到的結果也面臨類似的問題[11]，因此需要保持謹慎態度。腦電信號難以或不能做超越其固有局限和能力邊界的研究和應用。

尤其值得注意的是，當研究聚焦于個體或大腦的內外事件（包括空閑或靜息狀態、內隱心理活動以及外部刺激事件）相關的自發或誘發腦電信號時，若缺乏能夠穩定、可重復地表征事件特征的神經標記物，那么由此產生的研究結論其可信性也應受到質疑。

相反，若事件相關腦電信號中存在明確、穩定且可重復的神經標記物，并在足夠樣本量的基礎上進行研究，則所得結果將具備更高的可信度。例如，穩定且可重復的事件相關神經振蕩功率譜特征，或事件相關電位（ERP）的時域特征，如成分的潛伏期和最大峰值等，均可作為可靠的神經生理指標。在具備這些條件的情況下，腦電信號可為臨床神經修復研究與實踐提供穩定、可靠且可重復的可信結果。

例如，腦電圖（EEG）能夠實時監測腦功能狀態，應用于神經功能評估以及腦電神經反饋訓練，此外，還能輔助用戶通過腦-機接口（BCI）操控設備，從而維持或提升BCI的性能。EEG是癲癇的主要診斷工具，通過實時監測腦電波異常，尤其是在癲癇發作過程中，EEG能夠記錄發作類型及持續時間，從而為臨床治療提供重要指導[6]。

EEG還被應用于睡眠監測，能夠通過分析腦電圖中的睡眠階段、睡眠結構及異常腦電活動，輔助研究睡眠障礙及其與神經疾病之間的關聯[6]。對于阿爾茨海默病、帕金森病等神經退行性疾病的研究，EEG有助于識別腦電活動中的異常腦波模式，特別是慢波活動及θ波的變化，進而為早期診斷和病程監測提供支持[6]。此外，EEG還可用于監測經顱磁刺激（TMS）、經顱直流電刺激（tDCS）等神經調控技術對腦電活動的影響[12]。

然而，腦電難以精確定位和反映海馬、丘腦等深部腦區的局部活動[13]。即使結合源定位算法（如LORETA等），其空間精度仍顯著低于功能磁共振成像（fMRI）或腦磁圖（MEG）[14,15]。因此，EEG不適合用于精細的解剖結構或結構改變的分析，尤其在神經再生研究中，若需要觀察腦區的重塑，仍需依賴多模態成像技術[16]。

雖然EEG能夠反映腦電節律的變化，但這些變化往往缺乏明確的行為意義，單獨使用EEG難以解釋認知與行為的變化機制。例如，α波的增強可能既代表放松狀態，也可能與注意力調節有關[17]，因此必須與行為學評估和心理測量聯合分析，以避免過度解讀EEG數據。

EEG的適用性也受到患者和環境的限制，對于顱骨損傷嚴重、存在強烈運動偽跡或處于重癥監護病房（ICU）環境中的患者，EEG信號的質量可能嚴重受限。此外，盡管EEG能夠檢測特定的認知活動（如視覺加工、注意力等），但對于跨模態復雜認知任務（例如語言理解與情感反應的交互作用），EEG的解析仍然存在局限[18]，通常需要結合fMRI、MEG等其他成像技術進行綜合分析。

必須牢記，腦電圖的能力是有限的，其所蘊含的有效信息量和解析方法的能力均存在邊界，因此不應夸大其功能。在神經修復研究和實踐中，探討頭皮腦電能夠實現的目標與其無法達成的任務，有助于設計可行的實驗方案，評估研究成果的可重復性和可靠性，同時也能促進腦電在臨床中的有效應用。

參考文獻

[1] Fu, YF; Xue. YH, Chen, XG; Hu, Y. Brain-computer interface (BCI) in clinical neurorestorative practices[J]. Journal of Neurorestoratolog, 2025, 13(2):100188. DOI: 10.1016/j.jnrt.2025.100188.

[2] Fu Y, Chen X, Hu Y. Correct understanding of brain–computer interfaces[J]. Journal of Neurorestoratology, 2024, 12(3). DOI:10.1016/j.jnrt.2024.100139.

[3] Chen Y, Wang F, Li T, et al. Considerations and discussions on the clear definition and definite scope of brain-computer interfaces[J]. Frontiers in Neuroscience, 2024, 18: 1449208. DOI: 10.1038/nature06976.

[4] Logothetis N K. What we can do and what we cannot do with fMRI[J]. Nature, 2008, 453(7197): 869-878. DOI: 10.1038/nature06976.

[5] Strait M, Scheutz M. What we can and cannot (yet) do with functional near infrared spectroscopy[J]. Frontiers in neuroscience, 2014, 8: 117. DOI: 10.3389/fnins.2014.00117.

[6] Schomer D L, Lopes da Silva F H, editors. Niedermeyer's Electroencephalography: Basic principles, clinical applications, and related fields [M]. 7th ed. Oxford University Press, 2018. DOI: 10.1001/archneurol.2011.251.

[7] Zhang H, Zhou Q Q, Chen H, et al. The applied principles of EEG analysis methods in neuroscience and clinical neurology[J]. Military Medical Research, 2023, 10(1): 67. DOI: 10.1186/s40779-023-00502-7.

[8] Hassan M, Wendling F. Electroencephalography source connectivity: aiming for high resolution of brain networks in time and space[J]. IEEE Signal Processing Magazine, 2018, 35(3): 81-96. DOI: 10.1109/MSP.2017.2777518.

[9] Subha D P, Joseph P K, Acharya U R, et al. EEG signal analysis: a survey[J]. Journal of medical systems, 2010, 34(2): 195-212. DOI:10.1007/s10916-008-9231-z.

[10] Liu Q, Farahibozorg S, Porcaro C, et al. Detecting large‐scale networks in the human brain using high‐density electroencephalography[J]. Human brain mapping, 2017, 38(9): 4631-4643. DOI: 10.1002/hbm.23688.

[11] Michel C M, Murray M M, Lantz G, et al. EEG source imaging[J]. Clinical neurophysiology, 2004, 115(10): 2195-2222. DOI: 10.1016/j.clinph.2004.06.001.

[12] Gordon P C, Zrenner C, Desideri D, et al. Modulation of cortical responses by transcranial direct current stimulation of dorsolateral prefrontal cortex: A resting-state EEG and TMS-EEG study[J]. Brain stimulation, 2018, 11(5): 1024-1032. DOI: 10.1016/j.brs.2018.06.004.

[13] Parvizi J, Kastner S. Promises and limitations of human intracranial electroencephalography[J]. Nature neuroscience, 2018, 21(4): 474-483. DOI: 10.1038/s41593-018-0108-2

[14] Hedrich T, Pellegrino G, Kobayashi E, et al. Comparison of the spatial resolution of source imaging techniques in high-density EEG and MEG[J]. Neuroimage, 2017, 157: 531-544. DOI: 10.1016/j.neuroimage.2017.06.022.

[15] Klamer S, Elshahabi A, Lerche H, et al. Differences between MEG and high-density EEG source localizations using a distributed source model in comparison to fMRI[J]. Brain topography, 2015, 28(1): 87-94. DOI: 10.1007/s10548-014-0405-3.

[16] He B, Liu Z. Multimodal functional neuroimaging: integrating functional MRI and EEG/MEG[J]. IEEE reviews in biomedical engineering, 2008, 1: 23-40. DOI: 10.1109/RBME.2008.2008233.

[17] Sharma A, Singh M. Assessing alpha activity in attention and relaxed state: An EEG analysis[C]//2015 1st International Conference on Next Generation Computing Technologies (NGCT). IEEE, 2015: 508-513. DOI: 10.1109/NGCT.2015.7375171.

[18] Fu B, Chu W, Gu C, et al. Cross-modal guiding neural network for multimodal emotion recognition from EEG and eye movement signals[J]. IEEE Journal of Biomedical and Health Informatics, 2024, 28(10): 5865-5876. DOI: 10.1109/JBHI.2024.3419043.

僅用于學術分享，若侵權請留言，即時刪侵！

歡迎加入腦機接口AI星球

獲取更多腦機接口+AI等領域的知識和資源。

歡迎來稿

1.歡迎來稿。投稿咨詢，請聯系微信：RoseBCI

點擊投稿：

2.加入社區成為兼職創作者，請聯系微信：RoseBCI

一鍵三連「分享」、「點贊」和「在看」

不錯過每一條腦機前沿進展