脑电数据采集与情绪诱发的研究常用于探索人类情绪与大脑活动的关系。通常，这类实验会设计特定的范式，以系统地诱发参与者的情绪状态，并通过脑电图（EEG）记录大脑活动。 1. 情绪诱发范式 情绪诱发范式的核心是通过外界刺激（如图像、声音、视频或任务）引发特定的情绪反应。常见的方法包括： （1）国际情绪图片系统（IAP

脑电信号（EEG）的功能性连接特征主要反映了大脑不同区域之间在神经活动上的相互关联和协同作用。这些特征对于理解大脑的认知功能、疾病状态以及脑网络动态变化具有重要意义。以下是一些常见的脑电信号功能性连接特征： 1. 相锁值（Phase-Locking Value, PLV） 基本原理 PLV 衡量两个信号在相位上的一致性，反映它们

在使用深度学习方法对脑电信号进行分类时，一种常见的做法是先提取脑电信号的特征，然后再用深度学习发掘特征与不同状态之间的关联。一些常用的脑电信号特征如下： 时域：峰-峰值，均方根值等。 时频域：功率谱密度、微分熵等。 空间域：DASM、RASM、不对称系数、DCAU、多维度有向信息等。

脑电信号的非线性动力学特征分析技术主要用于捕捉EEG信号中潜在的非线性行为，如混沌、随机性和非线性相互作用。混沌是指在确定性系统中，虽然系统的行为遵循确定的规律，但其对初始条件的极端敏感性会导致系统状态的不可预测性。下面介绍一些常见的非线性动力学特征分析技术： 1. 相空间重构（Phase Space Reconst

微状态代表了大脑在静息状态下的短暂、稳定的电压拓扑图谱。这些拓扑图谱通常持续约80-120毫秒，然后迅速转换到新的拓扑图谱。对脑电微状态的分析通常分为三步，流程如图1所示。 一、微状态模式提取 计算预处理后脑电信号每个时间点的全局场电位（Global Field Potential, GFP），GFP是所求时间点所有

脑电信号（EEG）的时频分析技术用于同时分析信号的时间和频率特性，揭示在不同时间点上信号中的频率成分是如何变化的，从而提供更丰富的信息来帮助理解大脑活动。以下是常见的几种时频分析技术： 1. 短时傅里叶变换（STFT, Short-Time Fourier Transform）基本原理：STFT通过使用一个滑动窗口对信号进行傅里叶变换，