采样率：脑机接口的“时间精度”

神经在毫秒里跳动，

信号于采样间呼应，

时间被切成碎影

拼成意识的回声。

在脑机接口的体系中，电极的材料、算法的复杂程度、神经解码模型的精度，都很重要。但在所有参数之中，有一个看似微不足道，却决定整个系统上限的核心指标——采样率（Sampling Rate）。在神经工程的语境里，大脑的语言是时间性的：一个动作电位的到来时间只差几毫秒，就可能代表完全不同的运动意图或感知模式。因此，采样率不仅是设备参数，更是脑机接口得以理解神经活动的前提。

01

什么是采样率？

从技术角度讲，采样率指的是系统每秒记录信号的次数，通常以 Hz（赫兹）为单位。

• 采样率为 250 Hz：意味着设备每秒钟对大脑信号进行 250 次“快照”。
• 采样率为 1000 Hz：意味着每秒钟进行 1000 次“快照”。

每一次“快照”记录下的电压值，就构成了我们最终看到的脑电图（EEG）或其它神经信号波形上的一个数据点。采样率越高，这些数据点就越密集，描绘出的信号曲线也就越平滑、越精确。

02

采样率与“奈奎斯特定理”

▲ 使用 MATLAB 创建的原始信号和采样信号频谱图，可视化未保持奈奎斯特采样率时的频率混叠效应。

答案可以追溯到信号处理的核心原则——奈奎斯特采样定理（Nyquist theorem）。

它指出：要完整记录一个信号，采样率必须至少是信号最高频率分量的两倍。

举例来说，如果脑电信号中最高频率是 100 Hz（例如 γ 波），那么采样率至少要 200 Hz，才能避免“混叠”（aliasing）——即不同频率信号在采样后“重叠成假信号”。

对于单神经元放电（通常在 300–5000 Hz 范围内），采样率需要 ≥ 10 kHz 才足够。

奈奎斯特定理是数字信号处理的基石。此原理让使用数字系统对真实信号进行可靠的重建、处理和分析成为可能，奠定了诸如音频和视频录制、通信系统以及医学成像等技术的基础。如果没有奈奎斯特定理，那么从模拟到数字处理的转换就容易出现例如混叠这样的错误。

混叠会导致不同信号在采样后变得无法区分。当信号采样率低于奈奎斯特速率时，高频分量会“折叠”回低频中，从而在重建的数字信号中产生不准确的数据。这可能导致失真、重要细节丢失以及出现在原始信号中不存在的伪影。在工程应用中，这些问题会降低音频质量、使图像失真，并破坏测量结果。

03

不同采样率下，大脑被“看见”的样子

#低采样率#

• 大致范围： ≤ 250 Hz
• 典型应用： ①消费产品——如专注力/冥想头环（Muse, NeuroSky）。②基础生理状态监测： 主要监测放松度、专注度、睡眠分期等。这些状态的变化相对缓慢，反映在脑电的α、β等节律的功率变化上，不需要极高的时间精度。
• 特点：足以捕捉δ、θ、α、β等主要脑电节律。功耗低，数据量小，适合长时间、移动场景使用。无法准确捕捉高频γ波和更快的瞬态信号（如事件相关电位），容易导致信号失真。

# 中采样率#

• 大致范围：250 Hz — 1000 Hz
• 应用：①大多数大学和研究所用于心理学、 neuroscience 实验的脑电设备常设置在此范围（如512 Hz, 1000 Hz）。②医疗诊断： 部分临床脑电图检查。③先进的BCI应用：如基于运动想象（MI）或事件相关电位（P300）的脑机接口。
• 特点：这是最常用、性价比最高的“甜点区”。能高质量地捕捉几乎所有主要的脑电节律（包括γ波）和大多数事件相关电位。能满足奈奎斯特采样定理对于分析~200Hz以下信号的要求，有效防止混叠。在数据量和信号质量之间取得了良好平衡。

# 高采样率 #

• 大致范围： ≥ 1000 Hz （通常为2000 Hz, 5000 Hz, 甚至10,000 Hz以上）
• 应用：①癫痫病灶精确定位： 用于捕捉癫痫病人大脑中极快、极细微的“高频振荡”（HFOs, 通常>80Hz），这是致痫灶的关键生物标志物。②皮层脑电图（ECoG）和立体脑电图（sEEG）： 这些颅内记录技术直接记录大脑皮层信号，包含大量高频信息，需要极高采样率。③前沿科学研究： 如研究单个神经元活动（神经元放电）或非常精细的神经编码机制。
• 特点：能无失真地捕获大脑中极快速的电生理活动。数据量非常巨大，对存储和计算能力要求高。通常用于有明确临床或科研需求的特定场景，而非日常应用。

04

为什么采样率这么重要？

在脑机接口里，采样率之所以重要，是因为它决定了系统能否进入大脑的“时间尺度”。神经元放电是一种毫秒级事件，动作电位的峰值形状、上升沿、延迟差往往只有几毫秒之距，而这些细微差别恰恰承载着最关键的运动意图或感知信息。如果采样率过低，神经活动的时间结构会被压缩、遗漏或混叠，解码算法看到的就不再是真实的神经模式，而是一份被模糊化的“低分辨率大脑”。这不仅会导致信号精度下降，也会让产品的实时性变差——机械臂动作变迟缓、光标控制漂移、甚至意图识别完全失败。相反，足够的采样率可以在毫秒级别捕捉神经信号，使系统能够精确对齐意图发生的时间点，从而让脑机接口的运动控制更自然、反馈更稳定、交互更可靠。

脑机轻百科，每周一期

下期你想了解哪个脑机人物或基础概念？

欢迎留言告诉我们。