Temat 02

Sygnał EEG i rytmy mózgowe

Sygnał EEG to suma rytmów mózgowych w zakresie 0,5–70 Hz — od wolnych fal delta snu głębokiego po szybkie gamma integracji sensorycznej. Analiza częstotliwościowa pozwala rozkładać złożony sygnał na składowe harmoniczne i śledzić zmiany mocy poszczególnych pasm w czasie.

Powstawanie sygnału EEG

EEG nie rejestruje impulsów nerwowych — potencjały czynnościowe trwają ok. 1 ms, zbyt krótko, by zsumowały się do mierzalnego sygnału na powierzchni głowy. Właściwym źródłem są postsynaptyczne potencjały gradientowe (PSP) (wprowadzenie) — powolne (dziesiątki–setki ms), sumujące się zmiany potencjału w dendrytach.

Gdy neuron presynaptyczny uwalnia neuroprzekaźnik pobudzający (np. glutaminian), kanały jonowe w błonie dendrytycznej otwierają się i jony Na⁺ wpływają do wnętrza komórki. Okolice dendrytu stają się naładowane ujemnie ("sink" — pochłaniacz prądu), a dalsze elementy komórki — dodatnio ("source" — źródło prądu). Powstaje dipol elektryczny.

Komórki piramidalne mają charakter otwarty (open field): długie dendryty apikalne biegną prostopadle do kory, a ciało komórki leży głębiej. Dipol ma więc oś prostopadłą do powierzchni głowy — konfigurację idealnie wykrywalną przez elektrody naskalpowe. Neurony niepiramidalne (interneurony) mają konfigurale zamknięte (closed field) i ich pola elektryczne znoszą się nawzajem.

Aby sygnał był mierzalny z zewnątrz, dipole muszą być zsynchronizowane — setki tysięcy neuronów muszą wykazywać PSP w tym samym czasie i w tym samym kierunku. Synchronizacja ta pojawia się podczas rytmicznej aktywności oscylacyjnej (fale EEG) lub podczas odpowiedzi na bodziec zewnętrzny (potencjały wywołane).

Rytmy mózgowe — pasma częstotliwości

Delta (0,5–4 Hz) — najwolniejsze fale o największej amplitudzie (75–200 μV). Dominują w głębokim śnie wolnofalowym (stadia N3). U noworodków dominują nawet podczas czuwania. Patologiczne u dorosłych w pełnym czuwaniu (w senności i płytkim śnie N1 delta jest prawidłowa) — mogą wskazywać na uszkodzenie mózgu, encefalopatię metaboliczną lub nowotwór wewnątrzczaszkowy.

Theta (4–8 Hz) — pojawiają się podczas medytacji, hipnozy, marzeń sennych (REM) oraz głębokich emocji. Theta jest wskaźnikiem obciążenia pamięci roboczej — im trudniejsze zadanie poznawcze, tym wyższy indeks theta w okolicach czołowych. Kluczowa rola w kodowaniu epizodycznym (hipokamp).

Alfa (8–12 Hz) — u większości dorosłych pojawiają się po zamknięciu oczu i w stanie spokojnego czuwania. Dominują w okolicach potylicznych. Otwarcie oczu powoduje desynchronizację alfa (zanik rytmu alfa) — zjawisko znane jako reakcja Bergera. Alfa jest odwrotnie związana z aktywnością sensoryczną w obszarach przetwarzających: im silniejszy rytm alfa, tym mniejsze przetwarzanie sensoryczne w danym regionie. Alfa pełni jednak aktywną rolę hamującą — może wzrastać w obszarach, które mają być wyciszone (np. kora wzrokowa podczas zadania słuchowego), nie jest więc wyłącznie rytmem „bezczynności". Nie obserwuje się go u dzieci poniżej 3. r.ż.

Beta (12–25 Hz) — związane ze wzmożonym wysiłkiem umysłowym i stanem normalnego czuwania. Beta maleje z wiekiem — co koreluje ze spadkiem sprawności poznawczej. Lokalizacja zmienna, często centralna i frontalna.

Gamma (30–70 Hz i wyżej) — najszybsze i najtrudniejsze do rejestracji ze względu na podatność na artefakty mięśniowe. Związane z integracją sensoryczną — wiązaniem cech zmysłowych w jedną percepcję. Fale gamma obserwuje się podczas uwagowego przetwarzania złożonych bodźców i we wczesnym etapie rozpoznawania obiektów.

Delta1 – 4 Hz

Pojawiają się w czasie najgłębszego snu (ale na przykład u noworodków dominuje także podczas stanu czuwania), a także podczas głębokiej medytacji.

Theta4 – 8 Hz

Występują najczęściej podczas medytacji, transu, hipnozy, a także w czasie marzeń sennych oraz doświadczaniu głębokich emocji. Uważane za wskaźnik obciążenia pamięci roboczej.

Alfa8 – 13 Hz

U większości osób pojawiają się po zamknięciu oczu, a także w stanie odprężenia lub relaksacji. Nie są obserwowane u dzieci poniżej 3 roku życia.

Beta13 – 30 Hz

Kojarzone ze wzmożonym wysiłkiem umysłowym, ale występują też na co dzień podczas stanu czuwania. Badania pokazały, że ich ilość zmniejsza się z wiekiem.

Gamma30 – 70 Hz

Najbardziej zagadkowe fale, nad którymi wciąż trwają badania. Zakłada się, że związane są z integracją sensoryczną — wiązaniem poszczególnych modalności zmysłowych w jeden spostrzegany obiekt.

Analiza częstotliwościowa — FFT i PSD

Podstawowym narzędziem analizy rytmów EEG jest transformata Fouriera, która rozkłada złożony sygnał na sumę sinusoid o różnych częstotliwościach, amplitudach i fazach. Kluczowe pojęcia:

FFT (Fast Fourier Transform) — algorytm numeryczny obliczający dyskretną transformatę Fouriera w czasie O(N log N) zamiast O(N²). Wynikiem jest widmo częstotliwościowe: wykres amplitudy lub mocy sygnału jako funkcja częstotliwości.

PSD (Power Spectral Density) — gęstość mocy widmowej, wyrażona w μV²/Hz. Pokazuje, jak moc sygnału rozkłada się po różnych częstotliwościach. Integracja PSD w przedziale danego pasma daje całkowitą moc w tym paśmie.

Ograniczenie FFT: klasyczna transformata Fouriera zakłada stacjonarność sygnału — analizuje cały odcinek jako całość, tracąc informację o tym, kiedy dana częstotliwość się pojawiła. Dla stacjonarnych sygnałów tła (np. zapis spoczynkowy) jest to akceptowalne. Dla sygnałów dynamicznych potrzebna jest analiza czasowo-częstotliwościowa.

Filtrowanie pasmowe: aby wyizolować aktywność w konkretnym paśmie, stosuje się filtry (górnoprzepustowy, dolnoprzepustowy lub pasmowy). Przykład: chcąc zbadać wpływ relaksacji na rytm alfa, filtrujemy (preprocessing) sygnał do 8–12 Hz i porównujemy moc alfa między warunkami.

Przykład badawczy: Aby porównać, czy widok tatrzańskich szczytów czy karaibskiej plaży bardziej relaksuje pracowników, można: zaprezentować zdjęcia, odfiltrować sygnał do pasma alfa (8–12 Hz) i porównać moc sygnału alfa w obu warunkach. Wyższa moc alfa → silniejszy stan relaksu.

Długość sygnału N:
Zwiększaj N — obserwuj jak rośnie przewaga FFT

Wynik — widmo częstotliwościowe

8162331bin
DFTFFT
✓ Wynik identyczny
maks. różnica = 2.4×10-8 (błąd zmiennoprzecinkowy)

Liczba operacji przy N = 64

DFT — N² operacji:4.1K
FFT — N·log₂N operacji:384
FFT jest 10.7× szybszy przy N = 64. Przy N = 1024 różnica wynosi 114×, przy N = 4096 — 341×.

FFT i DFT obliczają to samo — identyczne widmo. FFT to tylko sprytniejszy algorytm (divide-and-conquer Cooleya-Tukeya, 1965) który pomija powtarzające się obliczenia.

Złożoność obliczeniowa — jak rośnie koszt z N? (skala log–log)

10010K1M100M83212851220484096N (długość sygnału)DFT — O(N²)FFT — O(N log N)

Podsumowanie — kluczowe pojęcia

  • Główne źródło sygnału EEG: postsynaptyczne potencjały gradientowe (PSP) w dendrytach komórek piramidalnych, nie impulsy nerwowe
  • Konfiguracja open-field komórek piramidalnych: dipol prostopadły do kory = efektywna rejestracja przez elektrody naskalpowe
  • Sygnał mierzalny wymaga synchronizacji setek tysięcy neuronów działających równocześnie w tym samym kierunku
  • Delta (0,5–4 Hz): głęboki sen, u dorosłych patologiczna w czuwaniu — rytmy mózgowe
  • Theta (4–8 Hz): medytacja, obciążenie pamięci roboczej, kodowanie epizodyczne w hipokampie
  • Alfa (8–12 Hz): spokojne czuwanie z zamkniętymi oczami; desynchronizacja alfa = aktywacja przetwarzania sensorycznego
  • Beta (12–25 Hz): aktywne czuwanie, wysiłek umysłowy, zmniejsza się z wiekiem
  • Gamma (30–70 Hz+): integracja sensoryczna, uwaga; podatna na artefakty mięśniowe
  • FFT rozkłada sygnał na sinusoidy; PSD (μV²/Hz) pokazuje rozkład mocy między częstotliwościami — więcej w analizie TF
  • Filtrowanie pasmowe izoluje interesujące pasmo; FFT zakłada stacjonarność — dla niestacjonarnych sygnałów potrzebna analiza TF

Powiązane materialy

Jak oceniasz trudność tego materiału?

1234567
Bardzo trudnyBardzo łatwy

Literatura obowiązkowa

Luck, S. J. (2014). An introduction to the event-related potential technique (2nd ed.). MIT Press.

Niedermeyer, E., Lopes da Silva, F. H. (2005). Electroencephalography: Basic principles, clinical applications, and related fields (5th ed.). Lippincott Williams & Wilkins.

Cohen, M. X. (2014). Analyzing neural time series data: Theory and practice. MIT Press.

Literatura uzupełniająca

Luck, S. J., Kappenman, E. S. (Eds.) (2012). The Oxford handbook of event-related potential components. Oxford University Press.

Makeig, S., Debener, S., Onton, J., Delorme, A. (2004). Mining event-related brain dynamics. Trends in Cognitive Sciences, 8(5), 204–210.

Delorme, A., Makeig, S. (2004). EEGLAB: an open source toolbox for analysis of single-trial EEG dynamics. Journal of Neuroscience Methods, 134(1), 9–21.

© 2026 Aleksander Zębrowski. Materiały edukacyjne.

← Powrót do portfolio