Ear-EEG / cEEGrid 系统综述草稿

工作稿。依据 US-pdf/ 中 23 篇本地 PDF、library/DETAILED_PAPER_CARDS_BATCH_*.md、library/EVIDENCE_INDEX.md 和 library/EVIDENCE_MATRIX.md 生成。当前处理报告显示 23/23 篇可用，18 号 Knierim 2022 已替换为正确 HardwareX/PMC PDF；正式写作前仍需回到 PDF 原页核对图表、页码和引用格式。

摘要

Ear-EEG 是以耳部为中心记录脑电和相关生理信号的总称，包括 in-ear、concha、auricle、behind-the-ear 和 around-the-ear 布局。cEEGrid 不是 ear-EEG 的起点，而是 around-the-ear 路线中最系统、最可复制的柔性多电极实现。早期 in-ear 研究证明耳道或耳内电极可以记录 alpha、ASSR、AEP/MMN 和 P300，但空间覆盖和个体化耳模限制明显。Debener 2015 将 cEEGrid 推到可长时佩戴、可手机记录、可记录 alpha/P300 的阶段。随后 cEEGrid 被用于听觉注意、目标说话人检测、视觉认知、睡眠监测、助听设备集成和低成本 OpenBCI 原型。总体证据支持 ear-centered EEG 作为低可见度、长时和真实场景脑电平台，但不支持把它视为 full scalp EEG 的等价替代。对自研系统而言，最稳妥的路线是先复现阻抗稳定性、EC/EO alpha、auditory oddball P300 和基础伪迹控制，再进入 AAD、睡眠或 ABR 等应用。

语料与方法

本轮纳入 23 篇本地论文，覆盖 2011-2025 年 ear-EEG / cEEGrid 发展脉络。处理流程为：从 US-pdf/ 建立 manifest，按主题分类复制到 library/pdfs_by_category/，使用 pdftotext 抽取文本，必要时准备 ocrmypdf/tesseract OCR 路径。本批实际未使用 OCR，因为 23 篇均有可用文本层。18 号早期发现源文件错配，已用正确的 Knierim 2022 HardwareX PDF 替换，错配文件归档在 metadata/source_mismatches/。

证据抽取按 Prompt_EarEEG_cEEGrid_Review.md 的 A-I 字段完成：基本信息、研究问题、硬件、电极布局、实验设计、信号处理、结果、局限和对自研的启发。跨论文压缩结果见 library/EVIDENCE_MATRIX.md。

术语边界

发展脉络

第一阶段是 in-ear 可行性验证。Looney 2011/2012 和 Kidmose 2012/2013 证明耳内或耳塞电极可以记录 alpha attenuation、ASSR、AEP/MMN、P300 和部分视觉 steady-state 响应。核心结论不是“耳内等同 scalp”，而是“振幅较低但噪声也低，特定范式下 SNR 可用”。这些论文为助听器形态和 hearable EEG 奠定基础，但样本小、硬件多为定制耳模，且很多实验是 proof-of-concept。

第二阶段是 cEEGrid 出现与 around-ear 平台化。Debener 2015 证明双耳 cEEGrid 在 7 小时佩戴后仍能记录稳定阻抗、EC/EO alpha 和 auditory oddball P300，单试次分类约 70%。Bleichner & Debener 2017 进一步把 cEEGrid 放入 transparent EEG 框架，强调它是 research platform：比 in-ear 有更多空间采样，但仍少于 cap EEG。Norton 2015 的 auricular soft electronics 是旁支，说明耳廓/乳突区域也可作为柔性电子载体。

第三阶段是任务验证。Bleichner 2016 在空间听觉注意任务中显示 cEEGrid median decoding 约 66%，cap 约 70%，二者接近但准确率仍偏 passive BCI。Mirkovic 2016 的双说话人 envelope tracking 中 cEEGrid 约 69.33%，cap 约 84.8%，说明听觉注意可行但 scalp 仍明显更强。Pacharra 2017 将 cEEGrid 拓展到 visual Simon task，能记录 P1/N1、P300 和 posterior/temporal ERL，但 motor LRP 较弱，说明任务选择必须绑定源位置和导联方向。

第四阶段是长时与真实世界应用。Sterr 2018 和 Mikkelsen 2019 将 cEEGrid 用于睡眠，前者与 PSG 人工评分比较得到 moderate kappa，后者用 random forest sleep/wake staging 优于 actigraphy 并接近 PSG-derived systems。Denk 2018 将 cEEGrid/in-concha electrodes 与实时 hearing device 集成，证明 around-ear 在该 ERP 任务中 SNR 更好，但也暴露设备噪声混淆。Reali/Knierim 2021 证明 OpenBCI + cEEGrid 可用于低成本 alpha、workload 和 ECG 辅助记录。

第五阶段是开源硬件、低成本评估和路线比较。Knierim 2022 给出 OpenBCI-cEEGrid adapter 的 PCB、3D enclosure、BOM、接线、阻抗和伪迹处理流程，是硬件复现关键参考。Knierim 2023 表明 OpenBCI 在校正 lag/jitter 后可用于 alpha/workload/P300，但 Smarting 在 timing 和软件生态上仍更稳。Van Den Broucke 2023 针对 ABR 提出 16 kHz wireless cEEGrid hardware，说明高频听觉脑干响应需要不同于 OpenBCI 的前端。Zhu 2024 和 Geirnaert 2025 把 AAD 推向多说话人和 scalp/around-ear/in-ear 直接比较：Geirnaert 2025 的 60 s AAD 阶梯为 scalp 83.44%、around-ear 67.22%、in-ear 61.11%，是目前路线取舍最重要的定量基准之一。

主要结果

硬件与佩戴。 cEEGrid 的优势是双耳多点、低可见度、可长时贴附和较容易与无线放大器结合；短板是凝胶/双面胶、耳形适配、参考/地选择、线缆牵拉和运动伪迹。OpenBCI 路线降低成本，但带来通道数、采样率和同步校正问题。若目标是 ABR 或毫秒级 latency，则普通 wearable EEG 采样率不足。

信号质量。 ear-centered EEG 常见模式是振幅低于 scalp，但某些任务的 SNR 或分类性能仍可用。最稳健的早期验证指标是 EC/EO alpha、ASSR/AEP、auditory oddball P300 和长时阻抗。cEEGrid 在 temporal/auditory 相关任务上更自然，在 occipital/central/motor source 上更受限。

AAD 与听觉注意。 Two-speaker AAD 已有多篇支持，但 cEEGrid 相比 full scalp 通常下降。Four-speaker 场景下，传统 stimulus reconstruction 的 ear-EEG 60 s accuracy 约 41.3%，chance 25%。深度模型报告的 1 s 高准确率很有吸引力，但需要严格 trial-independent、subject-independent 或 nested validation，避免学习 trial-specific shortcut。

睡眠。 cEEGrid 适合睡眠和长时监测，因为低侵扰和多通道冗余明显。但人工 AASM 评分不能直接照搬 scalp amplitude 标准；自动分期应使用同步 PSG 标签训练，并在更大、临床和老年群体中验证。

伪迹与非神经信号。 cEEGrid 同时记录 EOG、EKG、EMG、line noise 和运动伪迹。这既是风险，也是可利用的生理信息。Knierim 2022 展示 open electrode + NLMS 可处理 line noise，OpenBCI accelerometer 可辅助建模运动伪迹。自研系统应把伪迹参考、IMU 和质量指标设计进硬件，而不是后期补救。

对自研系统的工程结论

第一版硬件不应同时自研电极、AFE、无线、算法和应用。建议先用成熟放大器或 OpenBCI-cEEGrid adapter 建立可复现实验链路。最小闭环包括：双耳或单耳多点电极、明确 reference/ground、阻抗检测、原始数据保存、事件同步、IMU 或 open electrode 伪迹参考、可重复 channel map。

第一轮验证建议按四步推进：

1. 佩戴与阻抗：记录 45-60 min 阻抗 settling curve、舒适度、贴片失败和线缆牵拉问题。
2. 基础 EEG：EC/EO alpha，报告 PSD、通道差异、参考影响和失败通道。
3. ERP：auditory oddball P300，报告 marker latency、滤波、epoch、artifact rejection 和单试次分类。
4. 应用分支：若做助听/AAD，进入 two-speaker envelope tracking；若做睡眠，进入同步 PSG/actigraphy；若做 bruxism/facial activity，先用大振幅 EMG-like events 建立实时检测链路。

证据强度与开放问题

证据最强的是：cEEGrid 可记录 alpha/P300；cEEGrid 可做受控听觉注意任务；around-ear 在可穿戴性和性能之间优于纯 in-ear 但低于 scalp；OpenBCI 可以作为低成本原型但需要 timing correction。

仍不充分的是：真实移动环境下的长期 motion robustness；快速 AAD gain switching；临床级睡眠诊断；深度 AAD 模型的真实泛化；bruxism 从单用户实验到日常多人检测；完全干式、无外部 reference 的 in-ear/around-ear 长时稳定性。

下一步写作计划

1. 用 library/EVIDENCE_MATRIX.md 作为正文结果表，提取每个主题 3-5 条可引用结论。
2. 按应用拆三章：基础验证、听觉/AAD、睡眠/长时监测。
3. 为自研系统单独写一章 “Design Requirements”，把 channel map、reference、sampling、timing、artefact reference、impedance 和 validation tasks 变成检查表。
4. 正式引用前回到 PDF 原页核对 DOI、页码、图表编号和统计值；对 2024/2025 preprint 标注版本和同行评议状态。