EEG信号基础解析

脑电信号的分析和识别方法一、前言脑电信号（Electroencephalogram, EEG）是一种测量记录脑活动的重要信号，它反映了人类大脑的电生理活动情况、特征及其变化，对于研究大脑及其相关机能、分析脑疾病、探索人脑的智能特性等方面具有重要意义。

脑电信号具有具有复杂性、时变性、噪声干扰等特点。

因此，如何从复杂的脑电信号数据中提取有价值的信息，一直是脑科学、神经科学等领域中的难题之一。

本文将从脑电信号分析和识别方法的角度出发，探讨一些相关问题。

二、脑电信号的信号处理方法在脑电信号信号处理过程中，常涉及到一些基本的方法，下面列举几种常见的方法：1.时间和频率分析时间和频率分析是分析复杂信号（如脑电信号）的有效方法。

它将时间域和频率域这两个相互独立的分析方法相结合，以获得信号的时域特征和频域特征。

常见的时间和频率分析方法有时域上的平均与滤波、时频分析、小波变换等。

2.独立成分分析（Independent Component Analysis, ICA）ICA是一种常用的信号处理方法，它能将混合信号分离为互相独立的成分。

在脑电信号的处理中，ICA可以用于分离脑电信号中相互独立的生理信号、噪声信号等，以提高信号的质量和可靠性。

3.空间滤波空间滤波是一种基于矩阵计算的方法，用于脑电信号数据的频域滤波。

它可以用于消除EEG信号中的噪声干扰、改善信噪比、增强目标信号等。

三、基于机器学习的脑电信号分析方法近年来，随着机器学习技术的发展，基于机器学习的脑电信号分析方法得到了迅速发展。

利用机器学习技术，可以从复杂的脑电信号中提取出有价值的信息，并用于脑功能研究、脑疾病的诊断与治疗等方面。

机器学习可分为监督学习、非监督学习和半监督学习等多种类型。

在脑电信号的分析中，常用的机器学习方法包括支持向量机（SVM）、决策树、神经网络等。

以脑电信号的分类为例，采用机器学习的流程通常如下：1.数据预处理数据预处理是机器学习的前置任务。

EEG技术的原理及应用1. 简介脑电图(EEG)技术是一种记录和分析人脑电活动的方法。

本文将介绍EEG技术的原理和应用。

2. 原理2.1 脑电信号的生成•脑电信号是大脑神经元活动产生的电位变化。

当神经元兴奋时，会通过神经纤维将电信号传递给其他神经元。

这种传递产生的电位变化可以通过放置在头皮上的电极捕捉。

2.2 EEG的测量•EEG测量是通过在头皮上放置多个电极来记录脑电信号。

这些电极将电位变化转化为模拟电信号，并通过放大器进行放大。

通常，电极会按照国际10-20系统放置在头皮的特定位置。

2.3 信号处理•通过放大器放大的模拟电信号会经过一系列的信号处理步骤，包括滤波、数字化和降噪处理。

滤波可以去除噪音和不需要的频率成分，数字化将模拟信号转化为数字信号，降噪处理可以提取出脑电信号中的主要成分。

2.4 数据分析•在脑电信号经过处理后，可以进行各种数据分析。

常见的方法包括时域分析、频域分析和时频域分析。

这些分析方法可以用于研究脑电信号的特征，检测异常活动以及对大脑功能进行定量分析。

3. 应用3.1 临床诊断•EEG技术在临床医学中广泛应用于诊断和监测脑部相关疾病。

例如，癫痫发作会产生特定的脑电模式，医生可以通过分析脑电图来诊断和监测癫痫病人。

此外，脑电图还可以用于检测睡眠障碍、脑卒中和其他神经系统疾病。

3.2 大脑科学研究•EEG技术在大脑科学研究中发挥着重要作用。

研究人员可以使用脑电图来研究大脑活动、认知功能和情绪调节。

通过比较正常人群和特定病人群体的脑电图，可以揭示大脑活动的差异和异常。

3.3 脑机接口技术•脑机接口(BCI)技术是一种通过解读脑电图来实现与计算机或其他设备之间的交互的技术。

BCI技术可以帮助瘫痪患者恢复运动和沟通能力。

研究人员通过分析脑电图中的特定活动模式来识别患者的意图并实现相应的操作。

3.4 心理和认知研究•EEG技术在心理学和认知研究中也被广泛使用。

研究人员可以通过分析脑电图来研究注意力、记忆、学习和情绪等认知过程。

EEG（Electroencephalography，脑电图）是指在头皮上采集到的脑电信号。

在进行EEG信号分析之前，需要对原始EEG信号进行预处理。

EEG预处理是一个非常重要的步骤，它可以去除噪声、伪迹和其他干扰，并提高信号的质量，以便后续对EEG信号进行分析和解释。

本文将介绍EEG预处理的原理。

1. 信号滤波EEG信号包含多种频率成分，通常包括直流分量、低频分量、高频分量和干扰成分（如60 Hz的电源干扰）。

为了去除这些成分，需要进行信号滤波。

常用的滤波方法包括低通滤波、高通滤波和带通滤波。

低通滤波可以去除高频噪声，高通滤波可以去除低频噪声，而带通滤波可以提取特定频率范围内的信号。

2. 去除伪迹在EEG信号采集过程中，可能会出现眼动伪迹和肌电伪迹等干扰。

眼动伪迹是由于眼睛运动产生的电信号，而肌电伪迹则是由于头皮上的肌肉运动产生的电信号。

这些伪迹与脑电信号相混合，会影响EEG信号的分析结果。

因此，在进行EEG预处理时，需要尽可能去除这些伪迹。

常用的去除眼动伪迹的方法有ICA（独立成分分析）和卡尔曼滤波。

ICA是一种信号分离方法，可以将混合的EEG信号分离成不同的成分。

卡尔曼滤波则是一种递归滤波器，可以根据已知的状态和测量值来估计未知的状态值，并去除噪声。

对于去除肌电伪迹，通常采用高通滤波的方法。

3. 睡眠分期睡眠分期是指将睡眠过程中的EEG信号分为多个阶段，以便对睡眠过程进行分析。

根据国际睡眠学会的标准，通常将睡眠分为清醒、浅睡眠、深睡眠和快速眼动期（REM）四个阶段。

睡眠分期通常使用机器学习算法进行分类。

常用的算法包括支持向量机（SVM）、人工神经网络和决策树等。

这些算法可以对EEG 信号的频谱特征、时域特征和时频特征进行分类，以确定睡眠阶段。

4. 特征提取EEG信号是一组时间序列数据，其中包含大量信息。

在进行EEG 信号分析时，需要提取EEG信号中的有效信息。

常用的特征提取方法包括时域特征提取、频域特征提取和时频特征提取。

神经科学研究中的脑电波与信号解析在神经科学领域，脑电波是研究大脑活动的一种非常重要的方法，它可以测量大脑潜在的电活动，帮助我们研究大脑的结构和功能。

与其他神经影像技术相比，脑电波具有高时间分辨率的优势，可以捕捉到毫秒级别的活动变化，因此被广泛应用于神经心理学、心理学等不同研究领域。

脑电波由神经元的电活动引起，从而形成微弱的电信号，可以通过在头皮上放置电极来测量。

测量的脑电波可以分为不同的频率带，从而描述不同的神经环路和脑功能。

例如，δ波、θ波、α波、β波和γ波分别代表不同频率的脑电波，每种波的频率范围和特征在不同情况下都有所不同。

定量测量脑电波的研究方法通常被称为脑电图（EEG）。

EEG 可以反映大脑的状态，包括放松和集中、睡眠阶段和清醒状态、认知负荷和神经调整等。

这些信息可以用于改善神经学和神经心理学诊断和治疗、心理学和人机交互等领域。

然而，分析脑电信号并非易事。

相同的脑电波在不同的人中可能表现出不同的性质，这些差异可能受到多种因素的影响，如年龄、性别、健康状况、环境刺激等。

因此，为了更好地理解脑电波的生理和认知意义，必须对其进行细致的分析和解析。

脑电波信号处理通常可以分为三个阶段：预处理、特征提取和分类。

预处理步骤包括信号滤波、噪声去除、分段和修剪等步骤。

特征提取是从已处理的信号中抽取重要特征，如频率、幅值、相位，从而描述不同的信号特性。

分类对于分类和识别是必不可少的步骤，目的是将信号分为不同的类别，如清醒状态和催眠状态，或属性识别，如数学计算和语音处理等。

脑电波在神经科学和医学中的应用是非常广泛的。

例如，脑电波可以用于诊断癫痫和其他神经疾病，帮助研究大脑对音乐、语言和暴力等感知和反应，还可以应用于基于脑机接口的神经反馈和运动控制等。

总之，脑电波作为一种非常有用的技术，是大脑活动的一个非常具体的探测手段。

脑电波的分析和解释是神经科学研究的重要组成部分，可以帮助我们更好地理解大脑的结构和功能。

EEG信号处理与分析方法的研究随着现代科技的不断发展，神经科学领域的探索也日益深入。

在神经科学中，EEG信号处理技术的研究日益成为一项重要的课题。

本文旨在介绍EEG信号处理分析的一些方法，包括基础的信号预处理、特征提取以及分类等方面。

一、EEG的概念及其应用EEG，即脑电图，是一种通过电极测量人脑不同区域电活动的技术。

EEG记录的是人脑皮层发放神经冲动的电位变化，是无创、高时空分辨率的神经记录技术之一。

EEG的应用广泛，并在医学和神经科学中具有重要的地位。

EEG技术能够用于诊断神经病理状态、研究意识状态和认知过程以及探究疾病的机制等方面的研究。

二、EEG信号处理的基本流程1.信号获取EEG信号是由在头皮上放置的多个电极记录获得的，这些电极将头皮上脑活动的电位变化转化为数字信号，在计算机上进行记录和处理。

EEG信号的采集受到诸多因素的影响，如电极间的距离和放置位置、噪声等。

2.信号预处理EEG信号预处理是指去除信号中的噪声和伪迹，使得后续的分析更加准确。

常用的预处理方法包括滤波、伪迹去除、信号重构等。

3.特征提取特征提取是从原始的EEG信号中提取有用的特征以用于后续分析的过程。

特征提取技术有很多，可以基于时域、频域、时频域等。

时域特征包括平均能量、均值、方差、互相关等；频域特征主要包括功率谱密度、幅值和相位等；时频域分析主要采用小波变换等。

4.分类分类是指将特征分类到不同的组别或类别中的过程，可以用于识别特定的认知状态或疾病状态等。

常见的分类算法包括支持向量机（SVM）、随机森林、神经网络等。

三、EEG信号处理技术的应用1.脑机接口技术脑机接口（Brain-machine interface，BMI）是将人脑活动转化为外部设备操作的技术，主要应用于残疾人辅助，人体活动状况的监测等方面。

通过使用EEG信号处理技术，从EEG信号中提取对应的意图，如运动意图、某种行为意图等，并将信息传递到外部设备上，实现对设备的控制。

eeg的原理脑电图（EEG）是一种测量脑电活动信号的精密仪器，它通过检测脑活动时大脑产生的微弱电信号，来评估、诊断和治疗不同病症的神经疾病。

它在重大的神经系统疾病的诊断和治疗中发挥着非常重要的作用。

此外，EEG还在实验室研究、监护仪器和脑机接口技术中发挥着重要作用。

EEG的原理基于人的大脑中生物学的电磁学特性。

每个身体细胞都有电位差，这就是膜电位差。

当这种膜电位差受到外部刺激时，其大小会发生改变，从而产生一些电流和电场。

当大脑受到这些外部刺激时，它也会产生一种特殊的脑部电磁波，这种波就是EEG中所检测到的信号。

EEG检测的信号包括不同的频率，低频波在4毫米以下，高频波在80毫米以上。

低频波一般是α波，α波的强度在日常状态下很低，由大脑皮层的窗口组织发出；而高频波是β波，来自大脑皮层的递质发出。

这些信号的大小及其各自的大小可以用EEG仪器来测量，这些信号会反映出大脑的活动状态以及脑部的控制水平。

在脑电图检测中，通常会用一到多个电极放置在头皮上，它们可以检测到大脑发出的特定频率的信号。

这些检测电极是悬浮在皮肤上的电极，电极和头皮的空气隔离，电极之间的距离可以非常精确地进行测量。

在测量的过程中，它们不仅可以检测到正常的脑部信号，也可以检测到间歇性的异常信号，这些信号会随着脑部活动的改变而改变。

EEG检测的数据可以用同步EEG（Synchronized EEG）模式或异步EEG（Asynchronous EEG）模式来采集。

在实验中，同步EEG通常是比较常用的方法。

在这种模式下，电极将在规定的时间内或在一段短时间内采集数据，以便更好地了解脑部活动的情况。

在EEG检测的过程中，用户可以通过观察电位图表和曲线，以及由EEG仪器产生的报告，对脑部的活动情况有一个更加清晰的了解。

EEG报告的结果可以用来诊断大脑的一些问题，比如艾滋病病毒，脑部癌症，脑部疼痛，谵妄和失眠等。

EEG检测的结果不仅可以用来诊断病症，还可以帮助患者改善脑部功能，比如提高记忆力，增强认知能力，降低压力等。

脑电信号处理中的信号分析与建模脑电（Electroencephalogram，EEG）是一种非侵入性、无创的神经电信号数据，能够反映人脑的生理和认知状态。

EEG信号的处理和分析，对于理解和研究人脑的功能与机理，以及应用于人机交互、医疗诊断等方面，具有重要的意义。

本文将介绍脑电信号处理中的信号分析与建模。

1. 信号的预处理EEG信号受到肌电噪声、眼电噪声等众多干扰，需要通过信号预处理对其进行降噪、去眼电、去肌电、去基线漂移等步骤，以提高信号的质量。

其中，去眼电和去肌电是EEG信号处理的重点。

去眼电的常用方法有经典的“广义绝经归一化（generalized least squares）”技术、白噪声源眼动去除算法、独立成分分析（independent component analysis，ICA）等；去肌电的方法包括了移动平均法，平均减法，小波变换等。

预处理结束后，就可以进行下一步的信号分析。

2. 信号分析EEG信号包含了丰富的信息和特征，不同的EEG特征反映了不同的脑功能和认知过程。

常见的EEG信号分析方法包括时域分析、频域分析、小波分析、时频分析等，这些方法都可以用来从不同角度分析EEG信号，并提取出重要的信号特征。

时域分析：包括脑电波幅度、波形、相位等时间域特征的计算和分析，可以用于检查EEG信号的时间性质；频域分析：通过对EEG信号进行傅里叶变换，把信号从时域转为频域，可以得到频域特征，如频谱分布、频带功率等，进而分析脑电信号的频谱结构；小波分析：小波分析是一种时频分析方法，可以分析EEG信号的瞬时频率，刻画信号的时变特征，并检测出突发事件等。

3. 信号建模信号建模是指对EEG信号的建模过程，通过对脑电信号进行数学模型的描述，可以更好地理解并预测脑电信号的特征和规律。

建模可以分为线性和非线性两种。

线性建模：线性建模方法适用于EEG信号的时间域和频域建模，如自回归模型（auto-regressive model）等。

脑电信号处理中的信号分解算法研究一、引言近年来，脑机接口技术（BCI）在医疗和助残等领域得到了广泛的应用。

其中，脑电信号处理（EEG Processing）是脑机接口技术中的关键技术之一。

信号分解算法是EEG信号处理中的重要技术之一，本文将对目前信号分解算法的发展现状和应用进行详细探讨，以期为脑机接口的进一步发展提供参考。

二、信号分解算法原理信号分解算法主要采用信号分解技术，将复杂的信号分解成多个简单的部分，以便对每个部分进行独立的分析和处理。

常见的信号分解算法包括小波变换、独立成分分析（ICA）、奇异值分解（SVD）等。

1.小波变换小波变换是一种优秀的信号分解算法，可以将信号分解成不同的频率和时间分辨率。

小波变换具有良好的局部特性和高效的计算速度等优点，因此在EEG信号处理中被广泛应用。

2.独立成分分析（ICA）独立成分分析是一种基于统计学的信号分解算法，通过分离多个独立成分来实现信号的分解处理。

ICA算法可用于分析多种类型的信号，包括语音、图像、脑电信号等。

在脑电信号处理中，ICA算法可以将原始的复杂信号分解成多个独立成分，以便对每个成分进行独立的分析和处理。

3.奇异值分解（SVD）奇异值分解是一种基于矩阵分解的信号分解算法，主要用于信号处理、图像压缩等领域。

通过对原始信号进行奇异值分解，可以将信号分解成多个线性组合的基向量，以便对每个基向量进行独立的分析和处理。

三、信号分解算法在脑电信号处理中的应用1.脑电信号分类脑电信号分类是脑机接口技术中的重要环节之一。

通过对EEG 信号进行信号分解处理，可以将复杂的EEG信号分解成多个简单的部分，以便对每个部分进行独立的分类分析。

例如，可以将脑电信号分解成多个频段，然后对不同频段的信号进行分类分析，以便研究脑电信号在人类认知、情感与行为等方面的表现。

2.脑电信号去噪脑电信号中常包含各种噪声，例如眼动、心电等干扰噪声，这对脑机接口技术的应用带来了很大的困难。

医学信号处理中的脑电信号分析与特征提取脑电信号（EEG）是一种记录大脑活动的生理信号，具有重要的临床应用价值。

医学信号处理中的脑电信号分析与特征提取是一项关键任务，旨在从脑电信号中提取有用的信息，并对脑功能的异常进行诊断与监测。

本文将介绍脑电信号的基本原理、分析技术和特征提取方法。

脑电信号是通过电极在头皮上记录下来的一系列电流变化，这些变化反映了大脑中神经元的电活动。

脑电信号具有高时间分辨率和低成本的特点，因此在临床和研究中被广泛应用于脑功能研究、睡眠障碍等领域。

脑电信号的分析通常包括预处理、特征提取和分类等步骤。

首先，预处理是清洗脑电信号的一个重要步骤。

在实际记录中，脑电信号受到各种干扰，例如电极接触不良、肌电干扰、眼电干扰等。

预处理的目标是去除这些干扰，以获得干净的信号。

常用的预处理方法包括滤波、伪迹去除和去除噪声等。

滤波是预处理过程中常用的一种方法，它通过选择合适的滤波器将信号中不需要的频率成分去除。

常用的滤波技术包括带通滤波、带阻滤波、带通滤波器组合等。

带通滤波去除频带外的成分，而带阻滤波则去除特定频带内的成分。

根据信号的特性和分析任务需求，选择合适的滤波方法对脑电信号进行处理。

伪迹去除是另一种重要的预处理方法，其目标是去除来自外部干扰源的信号成分。

常见的伪迹包括电源线干扰、电磁辐射干扰等。

伪迹去除方法包括基于模型的方法和基于滑动平均的方法。

基于模型的方法利用数学模型对伪迹进行建模，并通过相减或消除等方式去除它们。

而基于滑动平均的方法则是通过对信号进行平均处理，使干扰信号在平均过程中被抵消。

去除噪声也是预处理的一个重要步骤。

噪声是通过不完美的电极和信号放大器引入的，通常包括背景噪声和伪噪声。

常用的去噪方法包括小波去噪、自适应去噪和陷波滤波等。

小波去噪利用小波变换将信号分解为不同频带的子信号，然后去除包含噪声的子信号，最后再重构信号。

自适应去噪方法则通过估计信号和噪声的统计特性，对信号进行去噪。

eeg信号的5层小波分解标题：用5层小波分解解读脑电信号的奇妙之旅引言：脑电信号（EEG）作为一种重要的生物电信号，能够反映出人类大脑活动的变化。

通过对EEG信号进行5层小波分解，我们可以深入解读其中的奥秘。

本文将以人类的视角，带你踏上一场关于脑电信号的奇妙之旅。

第一层小波分解：探寻大脑的基频节律大脑活动中最为基础的频率是基频节律，它主要体现在EEG信号的第一层小波分解中。

基频节律的变化可以反映出大脑的不同状态，如清醒、放松或专注。

通过观察第一层小波分解结果，我们可以了解到人脑在不同活动状态下的表现。

第二层小波分解：揭示大脑的α节律α节律是指EEG信号中频率在8-13Hz之间的波动，它与大脑的放松状态密切相关。

通过第二层小波分解，我们可以清晰地观察到α节律的变化。

当我们处于放松状态时，α节律会增强，而在专注或激动时则会减弱。

这一层小波分解结果可以帮助我们分析人脑的情绪状态以及认知能力的变化。

第三层小波分解：解读大脑的β节律β节律是指EEG信号中频率在13-30Hz之间的波动，它与大脑的活跃状态密切相关。

通过第三层小波分解，我们可以观察到β节律的变化规律。

当我们面临挑战或需要高度集中注意力时，β节律会增强，而在放松或休息时则会减弱。

这一层小波分解结果可以帮助我们了解人脑在不同任务下的表现差异。

第四层小波分解：洞察大脑的γ节律γ节律是指EEG信号中频率在30Hz以上的高频波动，它与大脑的信息加工能力密切相关。

通过第四层小波分解，我们可以观察到γ节律的变化。

当我们需要进行高度认知活动时，γ节律会增强，而在休息或睡眠时则会减弱。

这一层小波分解结果可以帮助我们了解人脑的学习、记忆以及创造力等高级认知功能。

第五层小波分解：发现大脑的细节特征第五层小波分解是对EEG信号的进一步细分，可以更加精确地分析大脑的细节特征。

通过观察第五层小波分解结果，我们可以发现一些潜在的异常波形，如突发的电压峰值或者不规则的波动。

脑活动状态eeg信号解码方法及其应用脑电图（Electroencephalogram，简称EEG）是一种记录脑电活动的生理信号，通过电极贴附在头皮上，测量脑部神经元的电活动。

脑电信号是一种非常重要的生理信号，可以反映出人类大脑的活动状态。

近年来，随着脑科学的发展，研究人员们开始探索如何解码脑电信号，以实现对人类思维和意识的理解和控制。

脑电信号解码是指通过分析和处理脑电信号，提取出其中的信息，以了解人类的认知、情绪和运动等脑活动状态。

目前，脑电信号解码主要依靠机器学习和模式识别等方法。

首先，研究人员需要收集大量的脑电数据，并将其与特定的脑活动状态进行关联。

然后，利用机器学习算法，通过对已知脑电数据的训练，建立一个模型，可以将新的脑电信号与特定的脑活动状态进行分类和识别。

脑电信号解码的应用非常广泛。

首先，它可以用于研究人类的认知和意识。

通过解码脑电信号，研究人员可以了解人类在不同认知任务中的脑活动模式，进而揭示人类思维和意识的机制。

其次，脑电信号解码还可以用于脑机接口技术的开发。

脑机接口技术是一种将人脑与外部设备进行直接交互的技术，通过解码脑电信号，可以实现对外部设备的控制，如假肢、轮椅等。

此外，脑电信号解码还可以应用于神经反馈治疗。

通过解码脑电信号，可以实时监测人类的脑活动状态，并根据需要进行调节和干预，以改善人类的认知和情绪状态。

然而，脑电信号解码仍然面临一些挑战。

首先，脑电信号是一种非常复杂的信号，受到许多干扰因素的影响，如肌电干扰、眼电干扰等。

因此，如何准确地提取和解码脑电信号中的信息，仍然是一个难题。

其次，脑电信号解码需要大量的脑电数据进行训练，而脑电数据的采集和处理非常耗时和费力。

此外，脑电信号解码还涉及到伦理和隐私等问题，如何保护被试者的权益和隐私，也是一个需要解决的问题。

总之，脑活动状态eeg信号解码方法及其应用是一个非常有前景的研究领域。

通过解码脑电信号，可以深入了解人类的思维和意识，开发出更加智能和人性化的脑机接口技术，以及提供更加有效的神经反馈治疗方法。

【EEG基础知识扫盲】EEG中的10-20和10-10标准导联是如何确定电极位置的？本文中对EEG研究中的10-20和10-10标准导联系统做一个详细的介绍，只当是做一个EEG基础知识的“扫盲”，希望对EEG新入门的朋友有所帮助。

10-20标准导联传统的10-20标准导联系统包含21个电极，如图1所示，可以按照如下步骤来进行21个电极的定位：1）首先在头皮表面确定两条线，第一条为鼻根（Nasion）至枕外隆凸（Inion）的前后连线，第二条为左右耳前凹之间的左右连线，这两条连线的交点处于头顶处，即为电极Cz的位置；2）鼻根至枕外隆凸的前后连线的长度设为100%，沿着鼻根至枕外隆凸的前后连线，从鼻根向后距离为10%的位置定为Fpz电极位置，从Fpz向后每隔20%的距离定义一个电极位置，从前向后依次为Fz、Cz、Pz和Oz，其中电极Oz距离枕外隆凸的长度为10%；3）左右耳前凹之间的左右连线长度同样设为100%，沿着这条左右连线，从左侧耳前凹向右距离为10%的位置定为T3电极位置，从T3向右每隔20%的距离设置一个电极，从左到右依次为C3、Cz、C4和T4，其中T4电极距离右侧耳前凹的长度为10%；4）接下来，Fpz—T3—Oz三个电极可以连接成左侧连线，同样这条连线的距离定义为100%，沿着这条Fpz—T3—Oz连线，从Fpz 向后距离为10%的地方定义为Fp1电极，从Fp1向后每隔20%为一个电极位置，依次为F7、T3、T5和O1，其中O1距离Oz的距离为10%；同样，对于右侧连线Fpz—T4—Oz，也可按照上述规则定义出Fp2、F8、T4、T6和O2各电极位置；5）最后， Fp1—C3—O1连线和 F7—Fz—F8连线的交点定义为电极F3，Fp1—C3—O1连线和T5—Pz—T6连线交点定义为P3，同理可以定义右侧的F4和P4电极。

图1[1]此外，关于电极的名称，前缀F、Fp、T、C、O、P分别表示额叶、前额叶、颞叶、中央区、枕叶和顶叶，数字后缀奇数表示左半球，而偶数表示右半球。