Електроенцефалографія (ЕЕГ) у психології: що вимірює і як інтерпретують сигнали мозку
Автор: Український психологічний ХАБ · Опубліковано: 5 жовтня 2026 · Редакційна політика
Електроенцефалографія, або ЕЕГ, — метод реєстрації різниць електричних потенціалів між електродами на поверхні голови. У психологічних і нейронаукових дослідженнях вона дає змогу простежувати зміни електричної активності мозку в масштабі мілісекунд: до, під час і після стимулу, рішення, руху або іншої експериментальної події. ЕЕГ особливо цінна там, де важливо знати не лише чи відрізняється мозкова активність між умовами, а коли саме ця різниця виникає.
ЕЕГ не читає думки, не показує «силу» окремої психологічної функції і не перетворює електрод на датчик конкретної емоції, риси особистості чи психічного розладу. Вона реєструє фізичний сигнал, який виникає внаслідок сумарної електричної активності великих популяцій нервових клітин і проходить через тканини мозку, оболонки, кістки черепа та шкіру до електродів. Перехід від цього сигналу до висновку про психологічний процес завжди потребує експериментального дизайну, обробки даних, статистичного порівняння та обережної інтерпретації.
Для розуміння місця ЕЕГ у психології корисно спершу розрізнити рівні аналізу. Психофізіологія досліджує зв’язки між психологічними процесами, поведінкою та фізіологічними показниками. Нейрофізіологія описує електричні й хімічні механізми роботи нервової системи. ЕЕГ є одним із методів, що поєднує ці рівні, але сама по собі не замінює ані психологічного вимірювання, ані клінічної діагностики.
Коли ЕЕГ поєднують із поведінковим експериментом і використовують для перевірки гіпотези про біологічний механізм дії, метод працює в ширшій логіці поведінкової нейронауки.
ЕЕГ варто також відрізняти від периферичних психофізіологічних сигналів. Варіабельність серцевого ритму (ВСР) відображає часову мінливість інтервалів між серцевими скороченнями й особливості автономної регуляції, а електродермальна активність (EDA) — зміни електропровідності шкіри, пов’язані переважно з симпатичною активністю потових залоз. Ці методи можуть доповнювати ЕЕГ в одному дослідженні, але вимірюють різні фізіологічні процеси й не є взаємозамінними.
Що саме вимірює ЕЕГ
Електрод на шкірі голови не «слухає» один нейрон. Він реєструє напругу відносно іншої точки або математично сформованого референсу. Ця напруга відображає сумарний внесок великої кількості електричних джерел, активність яких достатньо узгоджена в часі й просторі, щоб створити вимірюване поле на поверхні голови.
Найважливішими генераторами скальпового ЕЕГ-сигналу є синхронізовані трансмембранні струми в популяціях нейронів, особливо постсинаптичні струми в просторово впорядкованих кортикальних нейронах. Водночас сучасна нейрофізіологія не зводить походження позаклітинного поля лише до одного типу струму: внесок можуть робити й інші мембранні та іонні процеси. Це детально розглянуто в огляді Buzsáki, Anastassiou та Koch. Механізми окремого нейрона і передавання сигналів через синапс формують нижчий рівень цього пояснення.
Тому формула «ЕЕГ безпосередньо вимірює активність мозку» потребує уточнення. Метод безпосередньо вимірює електричні потенціали на поверхні голови, а нейронні джерела цих потенціалів реконструюють або інтерпретують через фізіологічні моделі. ЕЕГ ближча до нейронної електрофізіології, ніж методи, засновані на кровоплині чи метаболізмі, але навіть вона не дає прямої карти активності кожного нейрона або точної координати кожного джерела.
Як електричний сигнал доходить до електродів
Між нейронним джерелом і електродом лежить об’ємний провідник: мозкова тканина, спинномозкова рідина, оболонки, кістки черепа та шкіра. Електричне поле поширюється через ці тканини, а потенціали від різних джерел просторово змішуються. Це явище називають об’ємним проведенням. Воно є одночасно умовою можливості скальпової ЕЕГ і причиною важливої межі: один електрод не відповідає одній ділянці кори.
Стандартизоване розташування електродів дає змогу порівнювати записи між людьми й лабораторіями. Рекомендації Міжнародної федерації клінічної нейрофізіології описують систему позиціонування електродів і базовий масив для клінічних записів; високощільні системи можуть містити десятки або сотні каналів. Докладніше це викладено в стандарті Seeck та співавт..
ЕЕГ-канал завжди є різницею потенціалів. Саме тому вибір референсу впливає на форму хвилі, амплітуду, спектральну потужність, фазові показники та похідні метрики. Огляд Hu та співавт. показує, що «нейтральної» фізичної точки з гарантовано нульовим потенціалом на тілі не існує, тому референс є частиною вимірювальної моделі, а не технічною дрібницею.
Чому ЕЕГ добре показує час і гірше показує місце
Головна сильна сторона ЕЕГ — часова роздільність. Електричні зміни реєструються в масштабі мілісекунд, тому метод підходить для дослідження швидкої послідовності нейронних подій. У психологічному експерименті це дозволяє розрізняти ранні сенсорні відповіді, подальшу обробку стимулу, підготовку відповіді та інші часові етапи, якщо дизайн справді дає змогу їх відокремити.
Просторова інтерпретація складніша. Потенціал на одному датчику є сумішшю внесків різних джерел, а одна й та сама конфігурація на поверхні може бути сумісною з різними розподілами внутрішніх джерел. Це класична обернена задача ЕЕГ. Сучасні методи локалізації джерел використовують моделі голови, анатомічні дані та математичні обмеження, але розв’язок залишається модельно залежним. Огляд Michel і He описує принципи джерельної локалізації, а актуальний огляд 2026 року Phillips та співавт. підкреслює обмеження, пов’язані з просторовою роздільністю, перекриттям джерел і анатомічною варіативністю.
Фраза «цей електрод показує активність цієї ділянки мозку» тому часто є надмірним спрощенням. Просторовий розподіл на скальпі не можна автоматично переносити на анатомічну карту кори. Джерельний аналіз може підвищувати анатомічну інформативність, але його точність залежить від якості запису, моделі голови, кількості електродів, алгоритму та попередньої обробки.
Які дані отримують з ЕЕГ
Сирий ЕЕГ-запис — це часові ряди напруги в кожному каналі. Дослідник рідко робить висновок лише за виглядом необробленої кривої. Залежно від питання сигнал перетворюють на різні характеристики: амплітуду в часі, спектральну потужність, фазу, подієво-пов’язані потенціали, часово-частотні карти, показники зв’язності або оцінки джерел.
Кожна така характеристика відповідає на власне питання. Спектральна потужність описує, наскільки виражена активність у певному частотному діапазоні. Фаза описує положення коливання в його циклі. Подієво-пов’язаний потенціал показує сигнал, систематично прив’язаний у часі до події. Зв’язність оцінює статистичні відношення між сигналами або реконструйованими джерелами. Жодна з цих величин не є готовою психологічною категорією.
Ритми ЕЕГ: дельта, тета, альфа, бета і гамма
ЕЕГ часто описують через частотні діапазони. У навчальній практиці зазвичай використовують приблизні межі: дельта — нижче близько 4 Гц, тета — близько 4–8 Гц, альфа — приблизно 8–13 Гц, бета — приблизно 13–30 Гц, гамма — вище приблизно 30 Гц. Конкретні межі відрізняються між лабораторіями, віковими групами, задачами та аналітичними протоколами. Це робочі діапазони, а не природні перегородки, що ділять мозок на п’ять незалежних режимів.
Найвідоміший приклад — альфа-активність. У дорослої людини вона часто виразніша в задніх відведеннях під час спокійного неспання із заплющеними очима і зменшується після розплющення очей або зміни стану. Проте з цього не випливає формула «альфа = розслаблення». Альфа-активність залежить від сенсорного контексту, уваги, віку, індивідуальної пікової частоти, завдання та способу обчислення.
Так само «тета = пам’ять», «бета = концентрація» або «гамма = вища свідомість» не є науковими перекладами частотного діапазону в психологічну функцію. Одні й ті самі частоти можуть виникати в різних мережах і за різних умов, а одна психологічна операція може супроводжуватися змінами в кількох частотах. Частотний діапазон описує властивість сигналу, а не готовий зміст психіки.
Особливої обережності потребує гамма-діапазон. Високочастотна м’язова активність обличчя, щелепи, лоба і шиї перекривається зі спектром високочастотної ЕЕГ. Тому збільшення потужності на високих частотах без надійного контролю м’язових артефактів може бути хибно прийняте за нейронний ефект. Рекомендації щодо запису, обробки та звітності в ЕЕГ-дослідженнях узагальнені в роботах Keil та співавт. і Pernet та співавт..
Спектральний аналіз: що означає «більше альфи» або «менше бети»
Спектральний аналіз розкладає сигнал на внески різних частот. Результатом може бути абсолютна або відносна потужність діапазону, спектральна щільність потужності, пікова частота та інші параметри. Фраза «більше альфи» має сенс лише разом із конкретним визначенням: у яких електродах, у якому часовому вікні, за якої умови, відносно чого, після якої обробки і в яких одиницях.
Спектр також містить аперіодичну складову, тобто фон, який не зводиться до окремого ритмічного піка. Якщо дослідник порівнює лише середню потужність широкого діапазону, зміна аперіодичного фону може виглядати як зміна «ритму». Саме тому сучасний аналіз дедалі частіше відокремлює періодичні піки від ширшої спектральної структури, якщо це відповідає дослідницькому питанню.
Частотний результат слід трактувати як властивість електрофізіологічного сигналу в певному контексті. Щоб пов’язати його з психологічним процесом, потрібне незалежне визначення цього процесу через завдання, поведінковий показник, валідовану шкалу або інший вимір. Інакше дослідник ризикує назвати психологічною функцією те, що насправді є лише спектральною відмінністю.
Подієво-пов’язані потенціали: як ЕЕГ прив’язують до стимулу або відповіді
Подієво-пов’язані потенціали, або ERP, отримують, коли фрагменти ЕЕГ синхронізують із повторюваною подією — наприклад, появою звуку, зображення, помилки чи моторної відповіді — і аналізують систематичну часову структуру сигналу. Класичне усереднення підсилює активність, яка стабільно прив’язана до події, і послаблює частину несинхронного шуму. Практичні принципи ERP-досліджень у клінічних вибірках описують Kappenman і Luck.
Компоненти на кшталт P300, N400, негативність розбіжності (MMN) або негативність, пов’язана з помилкою (ERN) названі за полярністю, приблизним часом або експериментальним контекстом. Це зручні наукові конструкції, але вони не є окремими «модулями» мозку. Амплітуда й латентність компонента залежать від завдання, параметрів стимулу, віку, стану учасника, кількості придатних проб, референсу, фільтрації та способу кількісного визначення.
Тому твердження «P300 вимірює увагу» або «N400 вимірює значення» надто грубі. Компонент може бути чутливим до маніпуляцій, пов’язаних із певним процесом, але психологічний висновок визначається сукупністю експериментальних умов і попередньої доказової бази. ERP дає часову мітку нейрофізіологічної різниці, а не прямий доступ до суб’єктивного змісту.
Часово-частотний аналіз
Усереднений ERP добре виділяє активність, стабільно прив’язану до події за фазою. Проте частина нейронних реакцій може проявлятися як зміна потужності або фазової організації без однакової форми хвилі в кожній пробі. Часово-частотний аналіз дозволяє простежити, як спектральні характеристики змінюються після події в різні моменти часу.
Це особливо корисно для осциляцій, які короткочасно посилюються або послаблюються. Водночас результат залежить від довжини вікна, хвильового перетворення або іншого методу, базового інтервалу та компромісу між часовою й частотною роздільністю. Яскрава теплова карта сама по собі не робить ефект більш причинним або психологічно специфічним.
Функціональна та ефективна зв’язність за ЕЕГ
З ЕЕГ можна оцінювати статистичну узгодженість сигналів між каналами або реконструйованими джерелами. Такі показники називають функціональною зв’язністю. Методи, що намагаються оцінювати напрямок впливу за часовою структурою сигналів, інколи описують як ефективну або спрямовану зв’язність.
Найважливіша межа полягає в тому, що кореляція, когерентність або фазова синхронізація між двома сенсорами не доводить прямого зв’язку між двома ділянками мозку. Об’ємне проведення, спільний референс, спільне джерело, артефакти, довжина епохи та інші фактори можуть створювати або змінювати оцінку. Практичний огляд і контрольний перелік Miljevic та співавт. прямо розглядає вплив референсу, об’ємного проведення, артефактів і статистичних рішень на показники зв’язності.
Саме тому мережеві графіки ЕЕГ не слід читати як фотографію анатомічних «проводів» мозку. Функціональна зв’язність є статистичною залежністю, структурна зв’язність — анатомічною характеристикою, а причинний вплив потребує сильнішого дизайну й додаткових припущень. Ці поняття не взаємозамінні.
Як записують ЕЕГ у психологічному дослідженні
Дослідження починається не з алгоритму, а з протоколу. Визначають кількість і розташування електродів, референс, частоту дискретизації, тривалість запису, умови з розплющеними або заплющеними очима, параметри завдання, маркери подій та критерії якості. Положення учасника, рухи, освітлення, інструкція, час доби й інші фактори можуть бути суттєвими залежно від питання.
Для клінічної рутинної та сонної ЕЕГ існують окремі мінімальні стандарти IFCN/ILAE. Консенсусні рекомендації Peltola та співавт. охоплюють показання, технічні вимоги, тривалість, запис сну та провокаційні процедури. Дослідницька ЕЕГ у психології має іншу мету, але принцип стандартизації так само критичний: без опису протоколу результат важко відтворити.
Якість контакту електрода, шум підсилювача, насичення каналу й електричні перешкоди можуть зіпсувати дані ще до аналізу. Жоден складний алгоритм не гарантує відновлення інформації, якої не було в якісному записі. Тому контроль якості під час збору даних є частиною наукового методу, а не допоміжною технічною операцією.
Чому сирий ЕЕГ-сигнал не дорівнює «чистій активності мозку»
Електроди реєструють усі достатньо сильні електричні зміни, які доходять до них. До запису потрапляють моргання й рухи очей, напруження м’язів обличчя та шиї, рух електродів і кабелів, серцева активність, піт, повільний дрейф, мережеві перешкоди та інші джерела. Частина артефактів має амплітуду, значно більшу за нейронний сигнал.
Огляд Islam, Rastegarnia та Yang показує, що методів виявлення й видалення артефактів багато, але універсального алгоритму, який безпомилково очищує будь-який запис, немає. Вибір процедури залежить від типу артефакту, щільності електродів, задачі та аналізу, який буде виконано далі.
Попередня обробка часто включає фільтрацію, виявлення поганих каналів, роботу з мережевим шумом, повторне реферування, видалення або корекцію забруднених епох і компонентів. Стандартизований ранній конвеєр PREP, запропонований Bigdely-Shamlo та співавт., добре ілюструє, наскільки взаємопов’язані шум, погані канали й референс.
Кожне очищення водночас є перетворенням даних. Надто агресивна фільтрація може спотворити часову форму сигналу; автоматичне відкидання може непропорційно видалити дані певної групи; незалежний компонент не стає «артефактом» лише тому, що алгоритм його відокремив. Тому якісне дослідження описує не лише результат, а повний ланцюг обробки.
Як інтерпретують ЕЕГ: ланцюг від сигналу до психологічного висновку
Коректна інтерпретація має кілька послідовних рівнів. Перший рівень — фізичний: що саме було записано, яким монтажем і референсом. Другий — обчислювальний: яку характеристику отримано — амплітуду, потужність, фазу, ERP, зв’язність чи джерельну оцінку. Третій — статистичний: яку різницю, асоціацію або прогноз виявлено і наскільки стійкий він до аналітичних рішень.
Лише після цього з’являється психологічний рівень: чи підтримує експериментальна маніпуляція конкретне тлумачення. Якщо в одній умові зросла потужність тета-діапазону, це ще не означає, що «пам’ять активувалася». Потрібно знати, чим відрізнялися умови, які поведінкові показники змінилися, чи передбачався ефект заздалегідь, чи повторюється він у незалежних даних і чи існують альтернативні пояснення.
Це захищає від зворотного висновку: «цей ЕЕГ-показник раніше пов’язували з процесом X; отже, якщо показник змінився, людина переживає X». Один і той самий нейрофізіологічний патерн може з’являтися в різних задачах, а одна психологічна функція реалізується розподіленими системами й різними часовими механізмами.
Кореляція, причинність і біомаркери
ЕЕГ-дослідження часто виявляють кореляції між нейрофізіологічною характеристикою та поведінкою, симптомами, віком або результатом тесту. Кореляція показує статистичний зв’язок, але не встановлює, що зміна ЕЕГ спричинила психологічну зміну або навпаки. Обидві величини можуть залежати від третього фактора.
Термін «біомаркер» також потребує точності. Кандидатний дослідницький маркер може на груповому рівні відрізняти дві вибірки, але це не робить його клінічно валідованим діагностичним тестом. Для індивідуального застосування потрібні визначене призначення, стандартизований протокол, відтворюваність, зовнішня валідація, оцінка чутливості й специфічності, калібрування та доказ практичної користі в цільовій популяції.
Групова різниця і точність класифікатора — різні речі. Навіть статистично значущий ефект може мати великий перекрив розподілів між людьми. Навіть висока точність у внутрішній крос-валідації може падати на іншій вибірці, іншому обладнанні або після зміни попередньої обробки.
Чи може ЕЕГ діагностувати депресію, тривогу, СДУГ, аутизм або інший психічний розлад
Сьогодні ЕЕГ активно досліджують як джерело потенційних біомаркерів психічних і нейророзвиткових станів. Є метааналізи й моделі машинного навчання з високими показниками класифікації у вибраних наборах даних. Це перспективний напрям, але його слід відокремлювати від готової рутинної діагностики конкретної людини.
Показовий приклад — метааналіз 2026 року щодо депресії. Автори повідомили високу об’єднану чутливість і специфічність ЕЕГ-підходів, але водночас прямо зазначили, що якість доказів обмежують упередження відбору в первинних дослідженнях «випадок — контроль», невеликі вибірки та непояснена клінічна і статистична неоднорідність. Тому результат Jing та співавт. демонструє потенціал методу, а не підставу вважати звичайну ЕЕГ самодостатнім тестом на депресію.
Інший приклад — систематичний огляд і метааналіз точності ЕЕГ при визначенні етіології психозу. Fanshawe та співавт. отримали AUC 0,67 для розрізнення вторинного та первинного психозу, тобто низьку дискримінацію, і дійшли висновку, що ЕЕГ сама по собі не визначає етіологію. Це добре показує різницю між корисним клінічним джерелом інформації та універсальним діагностичним детектором.
У психології й психіатрії діагноз спирається на клінічні критерії, анамнез, симптоми, функціонування, диференційну оцінку та інші релевантні дані. ЕЕГ може бути призначена з неврологічних або диференційно-діагностичних причин, але окремий спектральний показник, «карта мозку», ERP або алгоритмічний бал не є самостійним психіатричним діагнозом.
Клінічна ЕЕГ і дослідницька ЕЕГ — різні контексти
Клінічна ЕЕГ передусім є методом клінічної нейрофізіології. Її використовують у діагностиці та оцінюванні станів, де електрична активність мозку має безпосереднє медичне значення, зокрема епілептиформної активності та певних порушень свідомості або енцефалопатій. Конкретне показання, протокол і висновок належать до медичної практики.
Дослідницька ЕЕГ у психології ставить інше питання: як змінюється електрофізіологічний сигнал у відповідь на експериментальну маніпуляцію, як він пов’язаний із поведінкою, як розгортається обробка в часі, які характеристики варіюють між умовами або людьми. Клінічний термін «нормальна/патологічна ЕЕГ» не можна механічно переносити на експериментальні відмінності між групами.
Так само дослідницький ефект не слід перетворювати на медичний висновок для окремого учасника. Протокол, розроблений для групового аналізу, може не мати валідності для індивідуальної діагностики. Це одна з центральних меж інтерпретації нейронаукових даних у психології.
Що таке кількісна ЕЕГ і «карти мозку»
Кількісна ЕЕГ, або qEEG, означає математичний аналіз цифрового ЕЕГ-сигналу: спектральні характеристики, співвідношення частот, асиметрії, когерентність, мікростани, джерельні оцінки та інші метрики. «Карта мозку» зазвичай є візуалізацією одного з таких показників на поверхні голови або в реконструйованому просторі джерел.
Колір на карті не є діагнозом. Якщо показник порівнюють із нормативною базою, результат залежить від того, як сформовано цю базу, чи відповідає вона віку й характеристикам людини, чи однакові обладнання, монтаж і попередня обробка, які статистичні пороги застосовано і чи валідовано інтерпретацію для конкретного клінічного завдання.
Автоматичний звіт може створювати відчуття об’єктивності, але математична точність обчислення і клінічна валідність висновку — різні властивості. Алгоритм може безпомилково порахувати спектральну потужність і водночас не мати достатньої доказової бази, щоб із цієї цифри визначати розлад, особистісну рису або оптимальне лікування.
ЕЕГ і нейровізуалізація
ЕЕГ часто порівнюють із фМРТ, ПЕТ і МЕГ, але методи вимірюють різні фізичні явища. ЕЕГ реєструє електричні потенціали на поверхні голови й має дуже високу часову роздільність. фМРТ відображає гемодинамічні зміни, пов’язані з нейронною активністю, і зазвичай дає кращу просторову локалізацію. ПЕТ використовує радіотрейсери для оцінки метаболічних або молекулярних процесів. МЕГ реєструє магнітні поля нейронних струмів.
Порівняння «який метод кращий» без дослідницького питання некоректне. Методи мають різні сильні сторони, обмеження, вартість і типи висновків. Окрема канонічна стаття про нейровізуалізацію в психології розглядатиме ці методи системно; тут важливо зафіксувати лише межу власника: ЕЕГ не є дешевою фМРТ і не дає такого самого типу просторової інформації.
ЕЕГ і нейрофідбек
ЕЕГ може використовуватися як сигнал зворотного зв’язку: обрана характеристика обчислюється майже в реальному часі й подається людині у візуальній, звуковій або іншій формі. Це одна з форм біологічного зворотного зв’язку. Загальний принцип методу описано в статті про біофідбек.
Ефективність нейрофідбеку не випливає автоматично з того, що ЕЕГ є валідним методом реєстрації. Потрібно окремо перевіряти, чи людина справді навчається змінювати цільовий показник, чи ця зміна специфічна, чи вона переноситься на клінічно або психологічно значущий результат і як метод працює порівняно з активним контролем або імітацією втручання. Докази щодо ефективності нейрофідбеку потребують окремого розгляду й не є частиною цієї статті про ЕЕГ як метод вимірювання.
Відтворюваність ЕЕГ-досліджень
ЕЕГ створює багато аналітичних ступенів свободи. Дослідник обирає фільтри, референс, критерії артефактів, електроди, часові вікна, частотні діапазони, базову корекцію, спосіб усереднення, статистичну модель і корекцію множинних порівнянь. Різні обґрунтовані рішення можуть давати різні числові результати.
Саме тому сучасні рекомендації наголошують на прозорому описі збору й аналізу даних, попередній реєстрації гіпотез там, де це доречно, збереженні сирих даних, відтворюваному коді та стандартизованих форматах. COBIDAS MEEG розглядає ці питання як основу надійної ЕЕГ- і МЕГ-науки, а не як формальність публікації.
Реплікація особливо важлива для біомаркерів і моделей машинного навчання. Внутрішня точність на одному наборі даних не дорівнює переносимості на іншу клініку, лабораторію, популяцію чи пристрій. Зовнішня валідація має більшу вагу, ніж багаторазове налаштування моделі на одній вибірці.
Основні сильні сторони ЕЕГ
ЕЕГ поєднує мілісекундну часову роздільність, неінвазивність, відносну мобільність і можливість багаторазових вимірювань. Метод дає змогу досліджувати динаміку процесів, які розгортаються значно швидше, ніж гемодинамічна відповідь у фМРТ. Він також придатний для експериментів із великою кількістю повторів і для поєднання з поведінковими показниками.
ЕЕГ може бути особливо інформативною, коли теорія робить часовий прогноз: один ефект має виникнути раніше за інший, відповідь повинна бути прив’язана до стимулу, зміна осциляцій очікується в певному інтервалі або різниця між умовами має проявитися до поведінкової відповіді. У таких задачах час є не побічним параметром, а частиною пояснення.
Основні обмеження ЕЕГ
Перше обмеження — просторова неоднозначність скальпового сигналу. Друге — висока чутливість до артефактів і якості запису. Третє — залежність багатьох показників від референсу та попередньої обробки. Четверте — ризик статистичного перевантаження через тисячі каналів, часових точок і частот. П’яте — неспецифічність багатьох групових ефектів щодо конкретного психологічного або клінічного стану.
Шосте обмеження стосується індивідуальних відмінностей. Вік, анатомія голови, товщина черепа, стан сну й неспання, медикаменти, кофеїн, рухи, попередній досвід, стратегія виконання завдання та безліч інших факторів можуть впливати на сигнал. Це не робить ЕЕГ «ненадійною»; це означає, що її надійність залежить від чітко визначеної метрики, протоколу й контексту.
Сьоме обмеження — семантичне. Психологічні слова на кшталт «увага», «стрес», «мотивація» або «емоція» охоплюють складні конструкції. Немає правила, за яким одна частота або один компонент ЕЕГ однозначно переводиться в одне таке слово. Наукова інтерпретація починається з операціоналізації конструкта, а не з кольору на карті.
Поширені міфи про ЕЕГ
«ЕЕГ читає думки». Ні. ЕЕГ вимірює електричні потенціали на поверхні голови. Деякі алгоритми можуть класифікувати експериментальні стани або наміри за патернами сигналу, але це не універсальне декодування внутрішнього мовлення чи змісту свідомості.
«Альфа — це розслаблення, бета — концентрація, тета — творчість». Такі формули змішують статистичні асоціації з однозначними психологічними значеннями. Частотні діапазони залежать від контексту, а психологічні функції підтримуються розподіленими й динамічними системами.
«Червона зона на qEEG-карті показує хвору ділянку». Колір показує числове значення або його відхилення за правилами конкретної візуалізації. Його клінічне значення потрібно окремо валідовувати.
«Електрод над лобом вимірює префронтальну кору». Сенсорна позиція і джерело не є тотожними через об’ємне проведення. Для анатомічного висновку потрібне джерельне моделювання з його власними припущеннями.
«Якщо класифікатор розпізнав розлад із 90% точністю, тест готовий для діагностики». Не обов’язково. Потрібно знати дизайн вибірки, поширеність стану, ризик витоку даних, зовнішню валідацію, калібрування, поріг, контрольну групу й клінічне призначення.
«Чистий красивий сигнал завжди кращий». Надмірне очищення може видалити частину нейронної інформації або створити штучний ефект. Якість попередньої обробки оцінюють за відповідністю завданню й прозорістю процедури, а не за естетикою графіка.
Як читати ЕЕГ-дослідження критично
Спершу подивіться, що було первинною гіпотезою і який дизайн її перевіряв. Далі з’ясуйте, яку саме ЕЕГ-метрику аналізували, як збирали й очищували дані, скільки учасників і придатних проб залишилося після відсіву, чи були групи порівнянними та як контролювали множинні тести.
Потім перевірте рівень висновку. Якщо стаття показує групову кореляцію, вона не дає автоматичного індивідуального прогнозу. Якщо модель розрізняє дві ретельно відібрані групи, це не доводить її точність у звичайній клінічній популяції. Якщо зв’язність між каналами змінилася, це не доводить причинної передачі інформації між двома анатомічними ділянками.
Нарешті, шукайте зовнішню реплікацію й узгодженість із систематичними оглядами. Один ефектний графік або дуже висока точність маленького дослідження має меншу доказову вагу, ніж незалежне відтворення на інших даних. Для швидкозмінних напрямів ЕЕГ це особливо важливо.
ЕЕГ у психології: практичний висновок
ЕЕГ є потужним методом для дослідження часової динаміки мозкової електрофізіології. Вона дозволяє спостерігати, як змінюються потенціали й осциляції в масштабі мілісекунд, виділяти подієво-пов’язані компоненти, аналізувати спектральні характеристики та будувати моделі функціональної взаємодії.
Наукова сила ЕЕГ виникає не з можливості намалювати «карту мозку», а з поєднання точного фізичного вимірювання з добрим експериментом і прозорим аналізом. Найнадійніша інтерпретація чітко відокремлює електричний сигнал від психологічної функції, груповий ефект від індивідуальної діагностики, кореляцію від причинності, сенсорний простір від джерельної анатомії та дослідницький біомаркер від клінічно валідованого тесту.
Для прикладу того, як вузький ЕЕГ-показник може досліджуватися як прогностичний біомаркер без перетворення на готовий клінічний тест, дивіться розбір Українського психологічного ХАБу про аутизм, ЕЕГ і прогноз адаптивного функціонування. Там окремо показано, чому статистична прогностична здатність моделі не означає діагностику або точне передбачення майбутнього конкретної людини.
Часті запитання
Чи болісна ЕЕГ
Стандартна скальпова ЕЕГ є неінвазивним методом: електроди реєструють напругу на поверхні голови й не подають електричний струм у мозок. Незручність може бути пов’язана з підготовкою шкіри, гелем, тривалістю запису або необхідністю сидіти нерухомо, але сам принцип вимірювання не передбачає стимуляції мозку.
Чи може ЕЕГ показати, про що людина думає
Ні в універсальному сенсі. У спеціально розроблених експериментах алгоритми можуть відрізняти обмежений набір станів, стимулів або намірів за статистичними патернами ЕЕГ. Це декодування заданих класів у конкретному протоколі, а не читання довільного змісту думок.
Чи показує ЕЕГ активні ділянки мозку
Скальпова карта показує розподіл потенціалів на електродах. Для оцінки внутрішніх джерел використовують моделі локалізації, але обернена задача не має єдиного розв’язку без додаткових припущень. Тому сенсорна карта і анатомічна карта мозку — різні рівні даних.
Що означають альфа-, бета-, тета- і дельта-хвилі
Це назви частотних діапазонів ЕЕГ. Вони корисні для опису спектральної структури сигналу, але не мають однозначного психологічного перекладу. Значення залежить від віку, стану, ділянки, завдання, способу реєстрації й конкретної метрики.
Що таке ERP
Подієво-пов’язаний потенціал — це компонент ЕЕГ, часово прив’язаний до визначеної події. Його отримують через аналіз багатьох повторів і вимірюють, наприклад, за амплітудою та латентністю. ERP допомагає досліджувати часову структуру обробки, але окремий компонент не є прямим датчиком однієї психологічної функції.
Чому ЕЕГ має артефакти
Електроди вловлюють не лише нейронні поля. Моргання, рухи очей, напруження м’язів, серцева активність, рух електродів і електричні перешкоди можуть потрапляти в запис. Тому попередня обробка і контроль якості є обов’язковими частинами аналізу.
Чи можна за ЕЕГ поставити психологічний або психіатричний діагноз
Окремий ЕЕГ-показник, спектральне співвідношення, ERP, «карта мозку» або алгоритмічний бал самі по собі не встановлюють психіатричний діагноз. ЕЕГ може бути важливим медичним дослідженням за відповідними неврологічними показаннями й перспективним джерелом біомаркерів у науці, але клінічне призначення кожного тесту потребує окремої валідації.
Чим дослідницька ЕЕГ відрізняється від клінічної
Клінічна ЕЕГ відповідає на медичні питання за стандартизованими протоколами й інтерпретується в клінічному контексті. Дослідницька ЕЕГ перевіряє наукові гіпотези про електрофізіологічні відмінності між умовами або групами. Дослідницький показник не стає клінічним тестом автоматично.
Що таке qEEG
qEEG — кількісний аналіз цифрової ЕЕГ: спектри, співвідношення, асиметрії, зв’язність, мікростани та інші числові характеристики. Це клас методів аналізу, а не окремий діагноз. Клінічне значення кожної метрики залежить від конкретної доказової бази.
Чи можна порівнювати результати домашньої гарнітури з лабораторною ЕЕГ
Лише після перевірки конкретного пристрою, кількості й розташування каналів, якості електродів, частоти дискретизації, алгоритмів фільтрації та метрики. Споживча гарнітура може бути корисною для окремих задач, але її показник не слід автоматично вважати еквівалентом лабораторного або клінічного протоколу.
Чи є ЕЕГ безпечною
Пасивна скальпова ЕЕГ лише реєструє електричні потенціали й загалом вважається безпечною. Окремі клінічні протоколи можуть містити провокаційні процедури, наприклад фотостимуляцію або гіпервентиляцію; їх застосовують за професійними показаннями та правилами безпеки.
Пов’язані статті
References
Bigdely-Shamlo, N., Mullen, T., Kothe, C., Su, K.-M., & Robbins, K. A. (2015). The PREP pipeline: standardized preprocessing for large-scale EEG analysis. Frontiers in Neuroinformatics, 9, 16. PubMed Central.
Buzsáki, G., Anastassiou, C. A., & Koch, C. (2012). The origin of extracellular fields and currents—EEG, ECoG, LFP and spikes. Nature Reviews Neuroscience, 13, 407–420. PubMed.
Fanshawe, J. B., Lawrence, R., Ghanem, D. A., et al. (2025). The role of the electroencephalogram (EEG) in determining the aetiology of psychosis: a systematic review and meta-analysis of diagnostic test accuracy. Schizophrenia Research, 284, 48–58. PubMed.
Hu, S., Yao, D., Valdes-Sosa, P. A., et al. (2019). Which Reference Should We Use for EEG and ERP practice? Brain Topography. PubMed Central.
Islam, M. K., Rastegarnia, A., & Yang, Z. (2016). Methods for artifact detection and removal from scalp EEG: A review. Neurophysiologie Clinique, 46(4–5), 287–305. PubMed.
Jing, S., Dai, Z., Xin, Y., et al. (2026). Electroencephalogram for the Diagnosis of Depression: A Systematic Review and Meta-Analysis of Diagnostic Test Accuracy. Brain Topography, 39(5). PubMed.
Kappenman, E. S., & Luck, S. J. (2016). Best Practices for Event-Related Potential Research in Clinical Populations. Biological Psychiatry: Cognitive Neuroscience and Neuroimaging, 1(2), 110–115. PubMed Central.
Keil, A., Debener, S., Gratton, G., et al. (2014). Committee report: publication guidelines and recommendations for studies using electroencephalography and magnetoencephalography. Psychophysiology, 51(1), 1–21. PubMed.
Michel, C. M., & He, B. (2019). EEG source localization. Handbook of Clinical Neurology, 160, 85–101. PubMed.
Miljevic, A., Bailey, N. W., Vila-Rodriguez, F., Herring, S. E., & Fitzgerald, P. B. (2022). Electroencephalographic Connectivity: A Fundamental Guide and Checklist for Optimal Study Design and Evaluation. Biological Psychiatry: Cognitive Neuroscience and Neuroimaging, 7(6), 546–554. PubMed.
Peltola, M. E., Leitinger, M., Halford, J. J., et al. (2023). Routine and sleep EEG: Minimum recording standards of the International Federation of Clinical Neurophysiology and the International League Against Epilepsy. Clinical Neurophysiology, 147, 108–120. PubMed.
Pernet, C. R., Garrido, M. I., Gramfort, A., et al. (2020). Issues and recommendations from the OHBM COBIDAS MEEG committee for reproducible EEG and MEG research. Nature Neuroscience, 23(12), 1473–1483. PubMed.
Phillips, A. R., Vakilna, Y. S., Moghaddam, D. E. P., Banta, A., Mosher, J. C., & Aazhang, B. (2026). Inferring neural sources from electroencephalography: foundations and frontiers. Journal of Neural Engineering, 23(1). PubMed.
Seeck, M., Koessler, L., Bast, T., et al. (2017). The standardized EEG electrode array of the IFCN. Clinical Neurophysiology, 128(10), 2070–2077. PubMed.