脑电网络连接性分析报告

1. 执行摘要

一句话结论

本次分析完整跑通了"预处理 → 质量控制 → 脑网络连接性 → 统计 → 报告"的全流程， 并在 5 名被试上产出了 theta、alpha、beta 三个频段的网络连接结果。 流程本身可用；但受可用数据量限制，报告中的具体数值还不能作为结论使用。

做了什么

脑电信号先做统一的清洗（去除工频干扰、剔除坏电极、分成 2 秒小段并剔除受污染的片段）， 再逐段计算 AEC（振幅包络相关）——通俗说就是衡量两个脑区的活动强度是否"同起同落"， 同起同落越一致，认为它们的功能联系越紧密。最后把电极归入 7 个大尺度脑网络， 得到网络与网络之间的连接强度。

客户需要知道的三点

1. 流程可交付：从原始 EDF 到可点击的 HTML 报告全自动，换一批数据即可复跑。
2. 数据量是当前瓶颈：每位被试仅 3–18 段干净数据，方法学建议为 192 段。
3. 数值尚不可引用：网络归属仍为占位映射，未接入标准脑图谱。

分析时间：2026-08-21 02:20

2. 研究背景

慢性疼痛与脑功能改变相关。Bott 等人 (2025) 通过对 614 名慢性疼痛患者 的静息态 EEG 进行 mega-analysis，发现 theta 频段的脑网络连接性 （特别是涉及边缘网络 LN 的连接）与疼痛强度有稳健关联。

本研究采用相同的分析框架，在大尺度脑网络层面评估连接性与临床指标的关系。

参考：Bott FS, et al. Exploring electroencephalographic chronic pain biomarkers: A mega-analysis of brain network connectivity. Lancet Reg Health. 2025.

3. 数据与方法

频段定义

• theta：3–8 Hz —— 慢波，与困倦、注意力涣散相关
• alpha：8–13 Hz —— 静息主频，安静闭眼时最明显
• beta：13–30 Hz —— 快波，与警觉、主动用脑相关

脑网络（Yeo 7 名称；通道映射为占位）

连接性度量

振幅包络相关（AEC），带通滤波后经 Hilbert 变换取包络， 跨 epoch 求通道对间 Pearson 相关，再按 Yeo 网络聚合为网络级连接矩阵。

统计方法

本次实际输出为单样本 t 检验与近似贝叶斯因子（BF > 3.0 为中等证据）。 置换检验（n=1000)与 BH-FDR（α=0.05） 仅保留为扩展入口，未用于本次结果。

4. 预处理流程

原始脑电信号包含大量与大脑活动无关的干扰。下表是清洗流程， 每一步都在解决一个具体的干扰来源。

表 4-1　预处理步骤与各步作用

5. QC 摘要

脑电数据容易受眨眼、动作、电极接触不良影响。分析前会先做质量检查， 把每个电极标成绿（可用）、黄（勉强可用）、红（不可用）三档， 只有可用电极占比达到 80% 的被试才进入分析。

本次结果

纳入分析：S001、S004、S006、S007、S008，共 5 人， 电极可用率均在 98% 以上，说明电极层面的数据质量是好的。

→ 查看逐被试的质量检查详情（含电极分布图、频谱图）

6. 主分析结果

本章逐频段给出脑网络之间的连接强度。每张图下方都有一段读图说明， 按"这是什么 → 看哪里 → 看见什么 → 能得出"四步写，不需要脑电背景也能看懂。

theta（3–8 Hz，慢波）

与注意力涣散、困倦、疼痛相关文献报道最多的频段。

图 theta-1　theta 频段脑网络连接强度热图（全体被试平均）

图 theta-2　边缘网络（LN）与其余 6 个网络的连接强度

表 theta-1　theta 频段最显著的 5 组网络连接

alpha（8–13 Hz，静息主频）

安静闭眼时最明显，反映放松与皮层空闲状态。

图 alpha-1　alpha 频段脑网络连接强度热图（全体被试平均）

图 alpha-2　边缘网络（LN）与其余 6 个网络的连接强度

表 alpha-1　alpha 频段最显著的 5 组网络连接

beta（13–30 Hz，快波）

与警觉、肌肉活动、主动用脑相关。

图 beta-1　beta 频段脑网络连接强度热图（全体被试平均）

图 beta-2　边缘网络（LN）与其余 6 个网络的连接强度

表 beta-1　beta 频段最显著的 5 组网络连接

7. 次要分析结果

本次未开展次要分析。按计划，次要分析需要在主结果稳定之后再做，包括：

表 7-1　次要分析规划与前置条件

8. 图表展示

本报告图表清单

怎么看这些图

热图看颜色：红=两个网络同起同落、蓝=互不相关、白=几乎无关系； 对角线是自己跟自己比，永远最红，不用看。

柱状图看两件事：柱子谁高谁低，以及柱顶的误差棒长短。 误差棒短说明每个被试的结果都差不多、比较可信；误差棒长说明人和人差异大， 平均值的参考价值就有限。

图片源文件位于 output/png/，报告内副本在 images/， 均为 300 dpi PNG，可直接取用于汇报材料。

9. 方法学

关键参数

软件版本

MNE-Python / NumPy / SciPy / Matplotlib（具体版本见数据附件 metadata）

10. 局限与研究建议

本次结果的四条硬限制

表 10-1　当前限制及其对结论的影响

建议的下一步（按优先级）

1. 先放宽片段筛选标准并合并第二段记录。 目前按 100 µV 剔除过于严格，导致 5 人全军覆没。 放宽到 150 µV 可让多数被试恢复 7–23 段，合并第二段记录可再翻倍。 这一步成本最低、收益最直接。
2. 接入标准脑网络图谱，让网络名称具备真实解剖学含义， 这是数值可解释的前提。
3. 扩充被试量。同类研究通常需要数十至数百人， 当前 5 人无法支撑任何组间比较。
4. 确定纳入标准后再统一重算， 并在报告中固定记录标准，保证前后结果可比。

参考方法学框架：Bott FS, et al. Lancet Reg Health. 2025. 该研究纳入 614 名被试，可作为样本量规划的参照。

11. 数据附件

所有产物均可追溯到原始数据。原始 EDF 文件全程只读，未被修改。

表 11-1　交付物清单与位置

技术参数（供复核）

{
  "n_subjects": 5,
  "n_excluded_subjects": 5,
  "excluded_subjects": [
    {
      "subject_id": "S002",
      "reason": "no_clean_epochs"
    },
    {
      "subject_id": "S003",
      "reason": "no_clean_epochs"
    },
    {
      "subject_id": "S005",
      "reason": "no_clean_epochs"
    },
    {
      "subject_id": "S009",
      "reason": "no_clean_epochs"
    },
    {
      "subject_id": "S010",
      "reason": "no_clean_epochs"
    }
  ],
  "freq_bands": {
    "theta": [
      3,
      8
    ],
    "alpha": [
      8,
      13
    ],
    "beta": [
      13,
      30
    ]
  },
  "networks": [
    "SMN",
    "SN",
    "FPN",
    "DN",
    "LN",
    "DAN",
    "VN"
  ],
  "params": {
    "n_permutations": 1000,
    "alpha_fdr": 0.05,
    "bf_threshold": 3.0,
    "cluster_p": 0.05,
    "n_bootstrap": 200,
    "random_seed": 42
  },
  "timestamp": "2026-08-21T02:16:39.393964",
  "script_version": "1.0",
  "random_seed": 42
}