要使用 Python 对 EEG 数据进行 FFT 频谱分析并绘图，可以按照以下步骤进行操作。我们将使用 `numpy` 和 `matplotlib` 等常用科学计算库来实现这一目标。以下是一个完整的代码示例，展示了如何加载 EEG 数据并绘制其频谱图。 ### 数据准备 假设 EEG 数据已经以 NumPy 数组的形式存储在变量 `eeg_data` 中，并且已知采样频率 `fs`（单位为 Hz）。`eeg_data` 可以是一维数组（单通道）或多维数组（多通道）。 ### 代码示例 ```python import numpy as np from numpy.fft import fft import matplotlib.pyplot as plt # 假设 eeg_data 是一维的 EEG 信号数组，fs 是采样频率 # 示例数据生成（实际使用中应替换为真实数据） fs = 256 # 采样率 256 Hz t = np.arange(0, 10, 1/fs) # 10 秒 EEG 数据 eeg_data = 0.5 * np.sin(2 * np.pi * 10 * t) + 0.2 * np.sin(2 * np.pi * 20 * t) # 模拟 EEG 数据，包含 10 Hz 和 20 Hz 分量 # 计算 FFT X = fft(eeg_data) n = len(X) f = np.linspace(0, fs, n) P2 = np.abs(X / n) P1 = P2[:n // 2] P1[1:] *= 2 # 乘以 2 是因为我们将能量集中在正频率上 # 绘制频谱图 plt.figure(figsize=(12, 6)) plt.plot(f[:n // 2], P1, 'b') plt.title('EEG Signal Frequency Spectrum') plt.xlabel('Frequency (Hz)') plt.ylabel('Magnitude |P1(f)|') plt.grid() plt.show() ``` ### 代码说明 - **FFT 计算**：使用 `numpy.fft.fft()` 函数对 EEG 数据进行快速傅里叶变换，得到频域表示 `X`。 - **幅度计算**：`np.abs(X / n)` 计算每个频率分量的幅度。 - **单边频谱**：由于信号是实数，频谱是对称的，因此只取正频率部分进行分析。 - **幅度调整**：除了直流分量外，其他频率分量的幅度乘以 2，以补偿只取正频率部分的损失。 - **绘图**：使用 `matplotlib.pyplot` 绘制频谱图，横轴为频率（Hz），纵轴为对应频率的幅度。 ### 结果解释 绘制出的频谱图中，峰值对应的频率表示 EEG 信号中主要的能量分布。例如，在示例中可以看到 10 Hz 和 20 Hz 的显著峰值，这与模拟信号的构造一致。对于真实 EEG 数据，常见的频率范围包括： - **Delta 波**（0.5–4 Hz） - **Theta 波**（4–8 Hz） - **Alpha 波**（8–13 Hz） - **Beta 波**（13–30 Hz） - **Gamma 波**（> 30 Hz） 这些频段在神经科学研究中具有重要意义，可以用于分析大脑活动状态，例如注意力、放松或认知任务中的变化[^5]。 --- ###