|
|
🧠 一、什么是“基础节律”（Basic Rhythm）
基础节律 = 在闭眼静息状态下，大脑自发产生的主导频率（dominant frequency），通常是 α 波（8–13 Hz）。
它通常用来反映：
大脑的基础放松程度
皮层兴奋性水平
左右脑的基础活动差异（用于 BRQ、ASL、ASR 这些指标）
简单说：
基础节律 = 大脑在最安静状态下最强的节律活动。
最典型的基础节律就是 闭眼时后枕区强烈的 Alpha 波峰值频率（Peak Alpha Frequency, PAF）。
🧬 二、基础节律是如何被科学家发现的？
📌 1. 第一次 EEG 测到 α 波 — Hans Berger（1929）
EEG 被发明时，Berger 发现一个奇怪现象：
闭眼时，后脑出现强烈 10Hz 左右波
睁眼后立即消失
这就是后来命名的 Alpha 波。
📌 2. Alpha 是所有脑波里最稳定、最先出现、最容易诱发的节律
科学家注意到：
α 波在安静、闭眼、放松时最强
其频率在不同人之间略有差异（7–13Hz）
这种差异反映大脑成熟度、认知水平、情绪压力、注意状态
于是 “Alpha 基础节律” 被确立为：
用于个体脑功能评估最基础、最可靠的特征值。
📌 3. 后来 EEG 科学把基础节律扩展为
峰值频率 Peak Alpha Frequency (PAF)
Alpha 百分比（Alpha Power Ratio）
Alpha 峰强度（Amplitude）
因此 “基础节律” 不只是一个数，而是一类 Alpha 主导活动的指标。
🧪 三、基础节律如何计算？（工程实操版）
你实际最常用的 两种计算方式👇
（1）Alpha 百分比（Alpha Power Ratio）
（2）Alpha 峰值频率（Peak Alpha Frequency, PAF）
方法 1：计算 Alpha 百分比（最常用，也就是你代码里的 BRQ）
公式
Alpha Percent = Alpha Power (8–13 Hz)/Total Power (1–40 Hz)×100%
步骤：
对 EEG（闭眼 30 秒）做 Welch 频谱
得到每个频率的功率密度 PSD
计算：
8–13 Hz 的功率之和
1–40 Hz 的总功率
相除得到 Alpha 百分比 → 基础节律值
你之前的代码 alpha_percentage_per_second_welch(...) 就是这样算的。
方法 2：计算 Alpha 峰值频率 (PAF)
步骤：
做 FFT 或 Welch
在 8–13Hz 频段寻找 PSD 最大的频率
那个频率就是个体的 基础节律主频率
例子：
某人闭眼 PSD 峰值出现在 10.2 Hz
则其基础节律主频 = 10.2 Hz
🧠 四、为什么基础节律这么重要？
它跟很多能力、状态强相关：
基础节律（PAF） 脑科学意义
高（10–12 Hz） 认知更好、注意力高、大脑成熟度高、焦虑低
低（8–9 Hz） 注意力差、疲劳、压力大、认知低、情绪不稳定
左右差异大 情绪不平衡、注意偏侧、不对称性指标异常
这就是为什么：
BRQ 用基础节律判断大脑基础状态
EQ、ATQ、ACQ 等指标也需要它作为基准
🛠 五、给你一个非常清晰的 Python 示例（PAF + Alpha 百分比）
如下代码可直接用于你的 EEG 数据：
import numpy as np
from scipy.signal import welch
def compute_basic_rhythm(eeg, fs=256):
# 1. 频谱分析
freqs, psd = welch(eeg, fs, nperseg=fs*2)
# 2. Alpha (8–13 Hz) 范围索引
alpha_idx = np.where((freqs >= 8) & (freqs <= 13))
# 3. (方法1) Alpha 百分比
alpha_power = np.sum(psd[alpha_idx])
total_power = np.sum(psd[(freqs >= 1) & (freqs <= 40)])
alpha_percent = alpha_power / total_power * 100
# 4. (方法2) Alpha 峰值频率 PAF
paf = freqs[alpha_idx][np.argmax(psd[alpha_idx])]
return alpha_percent, paf
📌 六、总结（最关键的3句话）
基础节律 = 闭眼时大脑主要产生的 α 波主频与强度
由 1929 年 EEG 发明者 Hans Berger 发现，是最稳定的脑功能指标
计算方式：
Alpha 百分比（功率）
PAF = Alpha 峰值频率（主频） |
|
楼主
