收益：
- 能够在脑电图记录中的伪影去除、事件检测和特征提取方面创建人工智能工作流程
- 能够识别脑电图的低信噪比和高变异性对验证的影响
- 能够解释神经信号 AI 输出应在临床神经生理学家的批准下进行测试
脑电图（EEG；英文Electroencephalography）是通过放置在头皮上的电极来记录大脑的电活动。脑电图应用广泛，从癫痫诊断到睡眠分期，从重症监护监测到脑机接口。但它是一个比心电图更具挑战性的信号：它的幅度约为微伏（百万分之一伏），这意味着它几乎和噪声一样小。这种低信噪比（简称 SNR；有用信号与噪声的相对强度）使得脑电图对于人工智能来说既有吸引力又危险。在本单元中，我们将了解脑电图工作流程、伪影问题，以及为什么神经生理学家的批准是必不可少的。
让我们从头开始说：脑电图模型可能会说“癫痫是可能的”；但癫痫的诊断和癫痫发作的解释属于临床神经生理学家。人工智能不会诊断。
脑电图处理链
第 1 步 — 注册和组装。 EEG 是多通道的（通常为 19-256 个电极）。电极的放置是根据国际标准顺序（10-20 系统）完成的。相对于参比电极读取信号；安装选择会影响解释。
第 2 步 — 工件提取。脑电图污染物的来源很丰富：眨眼和眼球运动、肌肉活动（尤其是下巴和颈部）、心跳、出汗、电极接触和电网干扰。这些伪影可以模仿真实的脑电波。人工智能通过标记和独立成分分析等方法帮助清理人为片段。
步骤 3 — 特征提取。脑电图通常分为几个频段：δ（缓慢、深度睡眠）、θ、α（休息）、β（清醒注意力）和伽马。频带强度、连接性测量和事件相关响应被用作特征。
第 4 步 — 事件检测/分类。该模型提出了癫痫活动、尖波放电或睡眠阶段等事件。输出是带时间戳的标记和标签。
第 5 步——专家评估。向临床神经生理学家呈现体征；专家确认、更正或拒绝。评论是给专家的。
为什么脑电图验证如此困难？
三个原因使得脑电图特别脆弱。首先，信噪比低：真实信号隐藏在噪声中，模型很容易将噪声误认为是模式。其次，变异性高：即使是同一个人，脑电图也会因警觉性、药物治疗和年龄而变化；个体之间的差异就更大了。第三，参考不确定性：即使是专家也并不总是同意癫痫发作等事件的“黄金标准”标记（观察者间的变异性）。当这三者结合在一起时，在实验室中看起来令人印象深刻的脑电图模式在真正的诊所中很容易崩溃。
三个迷你案例：从数字来看
案例 1——眨眼模仿癫痫发作。癫痫发作检测模型将儿童患者额叶区域的有节奏的眨眼误认为是尖峰和波浪，每分钟产生几个错误信号。专家看到这些痕迹与眼管重叠，并将神器分开。模型产生符号，专家提取现实。
案例 2 — 睡眠分期节省时间。睡眠实验室在整个晚上手动分段记录 30 秒的片段；每次录音大约2小时。 AI预演将本次时间缩短至35分钟；技术人员仅检查模型不清楚的切片和过渡。专家批准了最终的分期报告。
案例 3——外部验证下降。癫痫发作检测模型在其开发中心显示出 90% 的灵敏度；在不同医院使用不同电极和记录设备收集的数据中，该值下降至 68%。电极数量、采样率和患者情况各不相同。只有在每个使用该模型的环境中重新验证该模型后，才能认为该模型是可靠的。
弱提示/强提示
注意：以下提示有助于编辑脑电图报告/特征文本；原始脑电图解释是经过验证的软件和神经生理学家的工作。
弱提示：
这个脑电图有癫痫吗？[特点]
强力提示：
您的角色：您是神经信号分析助理（您不是诊断）。评估以下匿名脑电图摘要特征： - 列出频带强度和事件信号，解释它们，但不进行诊断。 - 对于每个事件标志，“可能有神器吗？”添加栏（眼睛/肌肉/网格）。- 清楚地写出歧义；添加低信噪比警告。- 最后列出神经生理学家应在原始记录中确认的 3 点。匿名特征：[频带强度、事件时间戳、通道信息]
四个可复制模板
1) 频带强度总结：
列出以下 EEG 频段功率（delta、theta、alpha、beta）并评估其在清醒状态下的合理性。不要诊断。数据：[值]
2) 伪影可能性检查：
对于每个出现的迹象，将眼睛/肌肉/网络伪影的可能性标记为低/中/高，并写下您的理由。标志：[列表]
3) 睡眠分期QC：
在下面的 AI 睡眠分期输出中标记突然/不太可能的转变（例如从 REM 跳到深度睡眠）；列出需要技术人员控制的切片。输出：[staging]
4）外部验证计划：
为 EEG 事件检测模型编写外部验证计划草案：不同数量的设备/电极、观察者间协议 (kappa)、SNR 和伪影测试。标记各个验证点。
模型的角色：按任务类型
任务类型
人工智能贡献
关键性
验证
工件标记
高
低
专家评审
波段/特征提取
高
中等
生理合理性
睡眠分期前期工作
高
中等
专家认可
癫痫发作前检测
中等
高
神经生理学家+原始录音
诊断决定
有限
非常高
专家的全面认可
提示：在依赖 EEG 中的模式特征之前，请检查该信号与眼睛和肌肉通道的时间重叠。许多看似癫痫发作的活动实际上是生物制品。
注意：当脑电图模型根据从少数患者收集的数据进行训练时，它们会过度拟合（记忆）个体特定模式并在新患者中崩溃。高实验室表现并不能保证真正的临床成功；外部验证至关重要。
常见错误
- 将伪影误认为是大脑信号。眨眼和肌肉活动模仿癫痫发作；应检查通道重叠。
- 忽略低信噪比。噪声中的微弱信号很容易误导模型。
- 在一个中心进行验证。不同的器件和电极布局会降低性能。
- 忽略观察者间的变异性。如果参考本身不明确，模型指标就会产生误导。
- 消灭专家。标志就是支持；癫痫发作和诊断解释属于专家。
综上所述
- 脑电图是多通道、微伏信号，信噪比低；它极易受到伪影的影响。
- 工作流程包括组装、工件提取、特征提取和事件检测。
- 低信噪比、高变异性和参考不确定性使得验证特别困难。
- 应在每个设备和使用模型的人群中重新验证模型。
- 癫痫发作和诊断解释属于临床神经生理学家； AI不会诊断。
应用任务
选择假设的 EEG 事件检测场景（例如癫痫预检测）。列出模型生成的五个事件签名，并询问每个签名，“这可能是一个工件吗？”填写该列（眼睛/肌肉/网格/真实）。然后为该模型写出三项外部验证计划，并明确标记专家做出最终决定的点。
清单
- [ ] 我知道 EEG 是一种低信噪比、多通道且容易产生伪影的信号。
- [ ] 我了解了工作流程的组装、工件提取、特征和事件检测步骤。
- [ ] 我可以看到工件模仿事件并应用通道重叠控制。
- [ ] 我了解为什么外部验证至关重要，并且我了解观察者之间的差异。
- [ ] 我已经认识到，对癫痫发作和诊断的解释仍然由专家负责。