脑电实验数据

实验数据与报告

实验次数0已保存记录
平均注意--相对个人基线
平均偏好证据--探索性指标
累计记录--有效数据 --

导入第一组实验数据

选择同一次记录导出的 summary、metrics、raw_eeg、segments 和 channel_quality 文件。旧版四文件记录也可以导入。

方法 · 版本 3.1

算法与指标说明

从原始 EEG 到报告

最终报告从原始 8 通道 EEG 重新计算，和采集时显示的实时四项指标是两套不同算法。报告只比较同一个人相对本次基线的变化；它不读取具体想法，也不能把分数解释为“喜欢概率”。v3.1 改进了坏通道检测与参考方式，评分权重仍是未完成外部验证的探索性设计。

  1. 采样和定位8 通道、250 Hz；默认 Fz/C3/Cz/C4/Pz/PO7/Oz/PO8，电极必须按此位置佩戴
  2. 窗与清洗2 秒窗、1 秒步长；原始平直/饱和检查、中位数参考、滤波和伪迹排除
  3. 个人化30 秒基线、个人 Alpha 峰、各特征相对基线的稳健 Z 分数
  4. 融合和解释注意、投入、持续性、稳定性；偏好证据不是喜爱度测量

信号预处理 · V3.1

信号准备和坏窗排除

raw flat: max(x) - min(x) < 0.0001；rail: |x| ≥ 749900 r(t) = median(x₁(t), …, x₈(t))；yᵢ(t) = xᵢ(t) - r(t)

先在原始通道上找平直/饱和，再逐采样取 8 通道中位数作参考。随后每通道线性去趋势，前后向 1 Hz 高通、45 Hz 低通、50 Hz 陷波；频谱用 Hann 窗和 Goertzel 算指定频点。v3.0 使用普通通道均值参考，容易被一个异常通道拉偏；v3.1 是受 PREP 启发的轻量处理，不等于完整 PREP 或 ICA。

频段 · 个人 Alpha

频段与个人 Alpha

θ = power(4–<8 Hz)；α = power(max(7, IAF-2)–<min(13, IAF+2) Hz)；β = power(13–<30 Hz)

基线的 PO7/Oz/PO8 在 7–13 Hz 内估计个人 Alpha 峰：对数功率减去拟合的 1/f 直线、平滑后找明显局部峰。峰不清楚则回退 10 Hz，并降低报告置信档位。频段功率为 Hann 窗频点功率之和；这些频段不是“情绪读数”。

质量门槛

伪迹和有效数据

  • 振幅、最大相邻采样跳变、粗糙度：与基线中位数及 1.4826×MAD 比较，门槛分别为 max(6×中位数, 中位数+12×MAD)、max(8×中位数, 中位数+12×MAD)、max(5×中位数, 中位数+10×MAD)。
  • 工频比 = power(48–<52) / [power(4–<45)+power(48–<52)]，每通道门槛为 min(0.45, max(0.12, 基线中位数+8×MAD))。
  • 高频比 = power(30–<45) / power(4–<45)，每通道门槛为 min(0.55, max(0.20, 基线中位数+8×MAD))；用于筛查疑似肌电，不是肌电确诊。
  • 标准模式要求基线至少 18 个有效窗且有效比例 ≥70%；任一必需通道为 Poor 则 EEG 分数不可用。录制段至少 8 个有效窗。App v1.9 在基线失败后可选择重试、继续但不计算，或明确选择低可信试验计算。试验模式仅放宽 50 Hz 干扰门槛，仍排除平线、饱和、无效样本、大幅伪迹和肌电噪声，并要求至少 12 个基线窗、12 秒原始录制及 8 个录制窗；不够时仍不生成分数。试验分数只在单次报告展示，不进入标准均值和长期趋势，也不是可靠的喜爱度判断。

五项特征

每个有效窗的五项特征

E = ln[(β+ε)/(α+θ+ε)]；Focus = ln[(β+ε)/(θ+ε)] AERD = -ln(后部 α+ε)；Fθ = ln[(Fz θ+ε)/(Fz 4–<30 Hz 总功率+ε)] SC = 1 - [ -Σ pᵢ ln(pᵢ) / ln(N) ]；ε = 10⁻¹²

E 和 Focus 共用 β，不能看成两项独立证据。AERD 是后部 Alpha 相对基线下降的代理指标；SC 是 4–<30 Hz 频谱集中度。每项以基线中位数和稳健尺度 max(0.05, 1.4826×MAD) 标准化，Z 值限制在 [-5, 5]。

特征融合 · 自定义权重

注意融合与分数映射

F = 0.35 Z(E) + 0.15 Z(Focus) + 0.25 Z(AERD) + 0.10 Z(Fθ) + 0.15 Z(SC) Attention A = 100×mean(sigmoid(F))；Engagement G = 100×mean(sigmoid(Z(E))) Persistence P = clamp[0.65×高于基线窗比例(%) + 35×min(最长连续时长/T, 1), 0, 100] T = max(4, min(30, 有效录制秒数))；Stability S = 100×exp[-0.70×SD(F)] 探索性偏好证据 = clamp(0.45 A + 0.30 G + 0.25 P, 0, 100)

sigmoid(x)=1/(1+e⁻ˣ)。F>0 代表高于个人基线；连续时长按 1 秒步长计算。45/55/65 是展示档位而非经临床验证的阈值。0.35/0.15 等融合权重和 0.45/0.30/0.25 偏好权重均为项目自定，尚未根据真实主观标签训练或验证。

实时指标 · 独立计算路径

实时四项指标

arousal ∝ ln[β/(α+θ)]；focus ∝ ln(β/θ)；calm ∝ ln[α/(β+θ)] valence ∝ ln[PO8 α / PO7 α]

实时路径每窗先用普通平均参考、去趋势和滤波，频带为 θ 4–<8、α 8–<13、β 13–30 Hz；随后按本次基线均值/标准差映射到 0.05–0.95，并用 0.24 的系数平滑。它用于即时反馈，未应用最终报告 v3.1 的坏窗清洗；尤其 valence 仅是左右后部 Alpha 不对称的探索性代理，不能直接叫作“喜欢”。

信号可信档位 · 历史版本

置信档位与历史报告

基线有效率 <70% 或录制有效率 <60% 为 Low；录制有效率 <80%、持续饱和或找不到个人 Alpha 峰为 Medium；有短暂伪迹但其他条件较好为 Medium-high；其余为 High。这里的“置信”只反映信号质量，不是预测正确率、统计置信区间或临床可信度。

v3.1 从新 APK 产生的新报告开始生效；旧 v3.0 报告保留原始结果，网页不会偷偷重算。跨版本分数不能不加说明地直接比较。

解释边界

哪些结论暂时不能下

持续注意可能来自兴趣，也可能来自任务困难、压力、困惑或刻意配合。研究中 EEG 投入指标对任务条件的反应不同，不能直接替代喜欢度。真正提高“喜欢预测”准确性，需要同一参与者的多次内容观看和 1–7 分自评，按完整内容/会话划分训练与留出测试，报告相对简单基线的误差；样本不足时只展示探索性指标。

实验检查清单

提高结果可靠性的实验建议

  1. 01
    固定 30 秒安静基线

    坐姿、屏幕距离与环境保持一致，减少说话和大幅动作。

  2. 02
    内容时长尽量一致

    每段建议 60–120 秒，内容间加入短暂休息。

  3. 03
    每段后立即评分

    记录喜欢度和兴趣度 1–7 分，作为验证 EEG 指标的主观标签。

  4. 04
    重复测量

    同一内容至少重复 3 次，并尽量随机化播放顺序。

研究文献

研究依据与实现边界

验证管理员身份

浏览报告无需登录；保存实验标签需要管理员账号。