EEG 分析通常散落在一个脚本文件夹里：滤波和分段用 MNE，频带功率一个 notebook，ERP 图又一个 notebook，每个被试的数值最后汇总到电子表格里再做统计。Neutropic 在对话中用 七个确定性的 EEG 工具 完成同样的步骤。语言模型负责决定调用哪个工具并撰写报告，但每一个幅值、潜伏期和百分比都由工具计算，而不是由模型编出来。
本文只讲 EEG，按研究类型组织。如果想快速了解 EEG、音频和视频的整体能力，请看 不止于电子表格。
先整理文件
EEG 以表格（CSV、TSV 或 XLSX）上传，每行一个采样点：
- 每个数值列是一个通道，单位 µV。 通道按 10–20 系统命名（Fp1、F3、Cz、Pz、O1 …），这样就能用上头皮地形图、额叶不对称和 C3/C4 偏侧化指数。
- `time_s` 列 让工具根据采样间隔的中位数推断采样率。没有时间列时，请在消息里写明采样率（“以 500 Hz 采样”）。
- `marker` 列 标记事件：没有事件的采样点为 0，事件起始的采样点为正整数。每个整数是一个条件代码（例如 1 = 标准，2 = 靶）。ERP 和 ERD/ERS 需要它，静息态和 SSVEP 分析不需要。
EDF、BDF 或厂商格式？ 请先转换。在 Python 中用 MNE：mne.io.read_raw_edf(path, preload=True) 读入，raw.to_data_frame() 得到 EEG 已换算为 µV 的表格。把 time 列改名为 time_s，用 mne.events_from_annotations 把注释转成整数代码，写入事件采样点对应的 marker 列，再保存为 CSV。EOG、ECG 和触发通道如果不想被当作 EEG 处理，请删掉。
两种提问方式
输入 /eeg 加上你的问题，这一轮会直接交给 EEG 工具。也可以用 /analyze 用平常的话描述记录。无论哪种方式，都请告诉智能体文件本身说不清的信息：实验范式、每个 marker 代码的含义，以及你想要报告什么。
第一个工具几乎总是 eeg_info。它报告通道、采样率、时长、各代码的事件数、各通道的幅值和平坦通道检查，以及工频噪声比。如果工频噪声高或峰峰值很大，智能体会先做预处理，再做其他分析。
静息态：清理、频带功率、地形图
/eeg eeg_resting_10ch_250hz.csv 是一段闭眼的 10 通道静息态记录（250 Hz）。请进行预处理（工频陷波、带通、眨眼去除），计算各通道频带功率并绘制 alpha 地形图，并报告额叶 alpha 不对称（F4 vs F3），附图。
eeg_preprocess 运行一条固定且可见的流程：
- 50 或 60 Hz 陷波（含谐波），频率自动检测。
- 1–40 Hz 零相位带通。
- 可选的共同平均参考。
- FastICA 眨眼去除。
- 标记超过 150 µV 的 1 秒窗口。
清理后的数据另存为新的 _clean.csv，原文件保持不变。
eeg_bandpower 按通道计算 Welch 频带功率，从 delta 到 gamma，给出绝对值（µV²）和相对值（%）。它还给出个体 alpha 峰频率、theta/beta 与 theta/alpha 比值，以及以 ln(右) − ln(左) 计算的半球不对称。eeg_topomap 在标准 10–20 坐标上画出每个频带的分布。
样例记录的结果。 样例按以下设定生成：10 Hz 枕区 alpha、50 Hz 工频噪声、Fp1/Fp2 上 6 次眨眼、F4 的 alpha 略大于 F3。结果如下：
- 工频噪声比从 37–58 降到 0.0。
- ICA 去除了 1 个与额叶通道相关 1.00 的成分。
- alpha 峰在所有通道都是 10.0 Hz。
- 相对 alpha 在 O2（59.5%）和 O1（58.7%）最高。
- F4 − F3 为 +0.301。
全部与模拟值一致。
要检查的：
- 工具输出里的 ICA 一行：去除了几个成分，依据是额叶相关还是峰度。
- 参考方式。不对称取决于参考，所以即使分析的是平均参考文件，
eeg_bandpower也会用原始参考重新计算，并注明所用参考。 - 解读。智能体只把不对称解读为相对的额叶激活，不会从一段静息记录推断人格或情绪特质。
事件相关电位：oddball P3
/eeg eeg_oddball_erp_250hz.csv 是听觉 oddball 记录（Fz、Cz、Pz、Oz；250 Hz；marker 1 = 标准，2 = 靶）。请围绕 marker 分段、基线校正、按条件平均，报告 Pz 处 P3 的潜伏期和幅值以及靶减标准的差异波，并绘制波形。
eeg_erp 按以下顺序处理：
- 0.1–30 Hz 滤波。
- 围绕 marker 取 −200 到 800 ms 的分段，并做刺激前基线校正。
- 剔除超过 ±100 µV 的分段。
- 按条件平均。
它对每个条件和通道报告 N1、P2、N2、P3 的峰潜伏期、峰幅值和窗口均值，并给出保留与剔除的试次数、基线噪声 SD 和 P3 信噪比。恰好两个条件时还会给出差异波。平均波形以 CSV 保存在图旁边。
得到的结果。 样例设定为标准 160 次、靶 40 次试次，100 ms 的 N1 和 300 ms 的 P3（Pz 处靶 12 µV、标准 3 µV）。200 个分段全部保留。
- 靶刺激 P3 在 Pz 于 300 ms 达到 10.15 µV。
- 标准刺激 P3 为 284 ms、2.89 µV。
- Pz 差异波为 +7.58 µV。
- N1 出现在约 104 ms。
潜伏期完全准确。幅值比模拟值略小，这是 0.1–30 Hz 滤波后的预期结果。
要检查的：
- 各条件的试次数，以及被剔除的分段数。
- 成分窗口。窗口是固定的：N1 70–150 ms、P2 150–250 ms、N2 200–350 ms、P3 250–600 ms，各取窗口内最大的峰。如果你的范式中成分出现在别处，请看平均波形 CSV，而不是挑出的峰。
- 方法段落与记录的参数。报告由模型撰写。如果文字中的滤波或窗口与工具调用记录的参数不一致，以记录为准，那才是实际运行的设置。
运动想象：ERD/ERS
/eeg eeg_motor_imagery_erd_250hz.csv 是运动想象记录（C3、C4、Cz；250 Hz；marker 1 = 右手想象提示，40 个试次）。请以提示前基线为参照计算 mu 频段（8–13 Hz）的 ERD/ERS，按通道报告想象期间的 ERD % 与之后的反弹，并检查 C3 与 C4 的偏侧化。
eeg_erders 的处理顺序如下（Pfurtscheller & Lopes da Silva, 1999）：
- 带通滤波。默认是 mu 8–13 Hz，也可以指定任意频段。
- 平方后围绕提示分段。
- 对试次求平均，并用 250 ms 窗口平滑。
- 以相对基线的百分比变化表示。负值为 ERD，正值为 ERS。
每个通道给出 ERD 最小值与 ERS 最大值及其时刻，以及每个分析窗口的平均百分比。C3 和 C4 都存在时还会计算偏侧化指数。
得到的结果。 样例设定为 C3 mu 下降约 −75%，C4 下降较弱，并在提示后 3–4 秒出现反弹。本次会话使用默认窗口（0.5–2.5 秒与 3–4 秒）：
- C3 的 ERD 最小值在 0.75 秒为 −74.7%。
- 窗口均值 C3 为 −69.8%（想象期）与 +72.0%（反弹），C4 为 −22.6% 与 +23.5%。
- 偏侧化指数为 0.51，C3 更强，符合右手想象的预期。
要检查的：
- 窗口与基线。工具默认是 −1 到 5 秒的分段，窗口为 0.5–2.5 秒和 3–4 秒。智能体在不同会话中可能选择不同窗口（英文会话选了 0–2 秒和 2–4 秒），并会写进报告。要在不同记录之间比较窗口均值，请在提示中固定窗口。
- 分段边缘。最小值若落在分段最后一个采样点，那是边缘效应。
- 试次层面的统计。结果是单段记录的试次平均值，没有试次层面的不确定性。
SSVEP：注视的是哪个频率
/eeg eeg_ssvep_12hz_250hz.csv 是一段 20 秒的 SSVEP 记录（O1、Oz、O2、Cz；250 Hz）。候选闪烁频率为 8.57、10、12 和 15 Hz。请判断注视的是哪个频率，报告每个候选频率的 CCA ρ 和 SNR，并以 4 秒窗口检查判定。
eeg_ssvep 先做 3–60 Hz 带通，再用两种相互独立的方法给每个候选频率打分：
- CCA：与含谐波的正弦/余弦参考信号做典型相关（Lin et al., 2006）。
- SNR：该频率处的谱功率相对邻近频率。
它会报告两种方法是否一致。给出窗口长度时，还会逐窗判定并给出与整体判定的一致率。
得到的结果。 样例为带 24 Hz 谐波的 12 Hz 刺激。判定结果为 12 Hz，CCA ρ 为 0.82，SNR 为 22.9 dB。其余候选的 ρ 都 ≤ 0.055。5 个 4 秒窗口全部一致，一致率 100%。
要检查的： 看完整的候选表，不要只看胜出者。如果胜出者与第二名的 ρ 差距很小，或 CCA 与 SNR 结论不一致，这个判定就很弱。
从单段记录的数值到统计
EEG 工具一次处理一段记录。研究需要每个被试一行，例如每个被试、每组的 Pz P3 幅值。可以逐个文件运行工具，或让智能体把数值汇总成一张表，然后交给统计技能：
/stats 在 p3_by_participant.csv 中比较患者组与对照组的 Pz P3 幅值。请检查前提假设，选择检验并说明理由。
compare_groups 会识别设计，检查正态性和方差齐性，再按规则选择检验。例如方差不齐时用 Welch，小样本且非正态时用 Mann–Whitney。它返回效应量及置信区间，以及说明选择理由的 决策记录。被试内重复的条件（靶 vs 标准）可用配对检验或重复测量设计，试次层面的嵌套数据可用混合模型。详见 统计分析指南。
每句话可追溯，每张图可复现
这一轮结束后，Neutropic 会给分析报告加上 逐句的 [n] 引用。每个 [n] 指向这一轮的某个分析步骤（一次工具调用及其输出）或数据文件，文末的参考列表会列出它们的名称。看到出乎意料的数字时，可以直接打开它来自的那一步。
每张图和每个表都记录了生成它的工具和确切参数。在产出物面板中点 { } 即可查看。清理后的数据另存为新文件，原始记录不会被覆盖。更多内容见 每句话都有引用 和 默认可复现。
坦诚的局限
- 输入。 只接受表格。EDF、BDF 和厂商格式需要先转换。幅值假定为 µV，采样间隔假定均匀。
- 眨眼去除。 不使用单独的 EOG 通道，所以需要额叶通道（Fp1/Fp2、AF*、F7/F8）。没有额叶通道时，眨眼不会被去除。超过阈值的窗口只做标记，不会被切除。
- 地形图。 使用标准 10–20 坐标，而不是实测电极位置。至少需要 3 个可识别的 10–20 名称，其余通道不会画进图中。
- ERP。 成分窗口固定。差异波只在恰好两个条件时计算。图只显示前四个通道，CSV 包含全部通道。
- ERD/ERS 与 SSVEP。 结果基于试次平均或整段记录，没有试次层面的统计。SSVEP 使用正弦/余弦参考信号的标准 CCA，需要你提供候选频率，不包含个体模板或滤波器组变体。
- 报告。 由模型根据工具输出撰写。数字来自工具，但方法部分的文字请与记录的参数核对。
打开 示例 · 按领域的技能 项目即可查看静息态和 ERP 会话，也可以附上你自己的记录并输入 /eeg 开始。EEG 之外的生理信号完整指南请看 面向心理生理学实验室的 Neutropic。
