揭秘心跳与大脑的“密语”：从 0 到 1 实现睡眠期心电诱发电位（HEP）计算

原创于 2025-10-03 22:15:27 发布 · 1.6k 阅读

16 ·

CC 4.0 BY-SA版权

文章标签：

#HEP #睡眠

AI提效·半月创作挑战赛 10w+人浏览 756人参与

揭秘心跳与大脑的“密语”：从 0 到 1 实现睡眠期心电诱发电位（HEP）计算

引言：当你的大脑在“偷听”心跳

痛点切入: 你是否曾面对着海量的睡眠 EEG 数据，想要探究心与脑的神秘连接，却被复杂的信号伪迹和繁琐的处理流程劝退？心电信号（ECG）的伪迹像幽灵一样缠绕着你的脑电（EEG）数据，让你无法提取出微弱而宝贵的 HEP 信号。
核心观点: 计算心电诱发电位（HEP）是量化心脑交互的关键技术，尤其在睡眠研究中意义重大。尽管挑战重重，但遵循一个结构化的处理流程，我们可以系统性地从充满噪声的原始数据中“提炼”出清晰的 HEP。
收获预期: 读完本文，你将获得一个完整的、可实操的 HEP 计算流程图。你将学会如何：
1. 预处理多模态生理数据（EEG, 心率, 睡眠分期）。
2. 准确定位心跳事件（R-峰检测）。
3. 从连续的 EEG 信号中分割（Epoching）出与心跳锁时的 HEP 片段。
4. 为每个 HEP 片段打上准确的睡眠阶段标签，为后续的统计分析做好准备。

一、 HEP 是什么？为什么要在睡眠中研究它？

心脑交互的“信使”: 简单来说，HEP 就是你的大脑对每一次心跳的电位反应。它像是大脑在每一次心跳后产生的“回响”，反映了大脑对来自身体内部信号（特别是心脏）的感知能力，即“内感受”（Interoception）。
睡眠：研究“特质”的理想窗口: 白天，我们的大脑被各种外部信息轰炸。而睡眠，尤其是深度睡眠，提供了一个相对“纯净”的观测窗口。此时，外界干扰降到最低，计算出的 HEP更能反映个体稳定、持久的“特质性”心脑交互模式。

二、挑战：在“风暴”中捕捉“蝴蝶”

计算睡眠期 HEP 就像在电闪雷鸣的暴风雨中，试图捕捉一只蝴蝶扇动翅膀的微小气流。

伪迹重重 (The Storm): 睡眠 EEG 充满了各种伪迹：
- 心电伪迹 (ECG Artifact): 心脏的电活动比大脑强得多，它的信号会直接“污染”EEG，尤其是在胸部附近的导联。
- 其他生理伪迹: 肌电 (EMG)、眼动 (EOG)、身体移动等都会产生远大于 HEP 信号的噪声。
信号微弱 (The Butterfly): HEP 本身的幅度非常小（微伏级别），很容易被噪声淹没。
多状态数据 (The Complexity): 一整晚的睡眠数据包含清醒、N1、N2、N3、REM 等多个阶段，需要将计算出的 HEP 与这些阶段精确对应。

三. 装备库：数据与工具概览

在开始之前，确保你拥有以下“装备”：

脑电数据: .edf 格式的原始 EEG 文件。
心率数据: .csv 格式的 RR 间期文件，记录了每次心跳（R-峰）的精确时间。
睡眠分期: .txt 或 .csv 格式的专家判读睡眠分期标签。
核心工具: 本文将以 Python 生态中的 MNE-Python 或 MATLAB 中的 FieldTrip / EEGLAB 工具箱为例进行讲解。

四、HEP 计算实战：四步净化之旅

在这里插入图片描述

第 1 步：EEG 预处理 —— 大浪淘沙

这是整个流程中最关键的一步，目标是最大限度地去除噪声、保留有用信号。

数据加载: 读取 .edf 文件，并指定电极导联位置。
滤波: 这是预处理的核心。
- 带阻滤波 (Notch Filter): 滤除 50Hz 或 60Hz 的工频干扰。
- 带通滤波 (Band-pass Filter): 通常设置为 0.3-35Hz，保留大部分神经活动，同时滤除低频漂移和高频肌肉噪声。

import mne
#假设 raw 是已加载的 MNE Raw 对象
raw.notch_filter(freqs=50)  # 滤除 50Hz 工频干扰
raw.filter(l_freq=0.3, h_freq=35) # 0.3-35Hz 带通滤波

基线校正 (Baseline Correction): 对整个连续信号进行去基线处理，消除直流偏移。

第 2 步：R-峰检测 —— 定位心跳的“扳机”

我们需要精确知道每一次心跳发生的时间点，它就像是触发 HEP 事件的“扳机”。

如果已有 RR 间期数据: 这是最理想的情况。RR 间期数据已经包含了 R-峰的精确时间点。我们只需要将这些时间点加载进来即可。
如果只有原始 ECG/EEG 信号: 需要使用 R-峰自动检测算法。许多库（如 MNE、BioSPPy）都内置了成熟的算法。

import pandas as pd
#rr_intervals 是 R-R 间期的秒数列表
rr_df = pd.read_csv("rr_intervals.csv")
r_peak_times = rr_df['rr_interval_seconds'].cumsum() # 累加 R-R 间期得到每个 R 峰的时间点

第 3 步：分段 (Epoching) —— 裁剪出 HEP 候选片段

现在，我们以每个 R-峰为中心，从预处理过的 EEG 数据中裁剪出一个个小片段。

定义时间窗口: HEP 的典型形态出现在 R-峰前后。一个常用的窗口是 R-峰前的 200ms 到 R-峰后的 600ms（即 tmin=-0.2, tmax=0.6）。
- R-峰前的时段用于基线校正，可以消除每个片段自身的直流偏移。
- R-峰后的时段则包含了我们关心的 HEP 成分。
执行分段: 使用 R-峰时间点，在 EEG 数据上进行切割。

在这里插入图片描述

import mne
#r_peak_events 是一个符合 MNE 格式的事件数组
#tmin, tmax 定义了时间窗口
epochs = mne.Epochs(raw, events=r_peak_events, tmin=-0.2, tmax=0.6,
                    baseline=(-0.2, 0), preload=True)