第1章：EEG数据预处理实战(上)——滤波、重参考、坏道检测与插值

各位同学，欢迎来到实战环节。说实话，EEG数据预处理这事儿，我做了快十年，踩过的坑比走过的路还多。今天咱们就聊聊滤波、重参考、坏道检测与插值这四个核心步骤。别小看它们，预处理做不好，后面模型再花哨也是白搭。

1.1 滤波：带通与陷波

EEG信号里，真正有用的脑电频率范围一般在0.5-40Hz之间。但实际采集到的信号，混着工频干扰（50/60Hz）、肌电噪声（高频）、眼动伪迹（低频）等等。滤波就是要把这些“脏东西”去掉。

1.1.1 带通滤波

带通滤波，说白了就是只让某个频率范围的信号通过。比如我们做运动想象任务，通常关注8-30Hz的mu节律和beta节律。我个人习惯用0.5-40Hz的带通，既能保留主要脑电成分，又能滤掉直流漂移和高频肌电。

这里有个坑：滤波器的阶数别设太高。阶数高了，虽然过渡带陡峭，但会产生振铃效应，把信号搞变形。我一般用4阶或5阶的Butterworth滤波器，效果够用。

# Python示例：使用MNE进行带通滤波
import mne

# 加载原始数据
raw = mne.io.read_raw_fif('subject01_raw.fif', preload=True)

# 0.5-40Hz带通滤波
raw.filter(0.5, 40, method='fir', fir_design='firwin')
print('滤波完成，频率范围：0.5-40Hz')

1.1.2 陷波滤波

陷波滤波专门对付工频干扰。国内是50Hz，国外有些地方是60Hz。你想想看，如果50Hz的干扰不滤掉，后面做频谱分析时，50Hz处会冒出一个假峰，误导性极强。

我曾经在一个项目中，发现某位受试者的数据在50Hz处能量异常高。一开始以为是脑电特征，后来一查，原来是实验室隔壁在用电焊机。嗯，陷波滤波救了我一命。

# 50Hz陷波滤波
raw.notch_filter(50, method='fir', fir_design='firwin')
print('50Hz陷波完成')

1.2 重参考

EEG信号是差分信号，记录的是两个电极之间的电位差。所以参考电极的选择，直接影响信号质量。常见的参考方式有：

• 单极参考：以某个电极（如Cz、A1/A2）为参考。简单，但参考电极本身可能受干扰。
• 双极参考：相邻电极相减。能抑制共模干扰，但会损失空间信息。
• 平均参考：所有电极的平均值作为参考。我个人最常用，因为它能最小化参考电极的偏差。

为什么平均参考好？你想想看，如果某个电极恰好处于噪声源附近，单极参考就会把噪声引入所有通道。平均参考相当于“民主投票”，每个电极贡献一点，噪声被平均掉了。

# 设置平均参考
raw.set_eeg_reference('average', projection=False)
print('已设置为平均参考')

1.3 坏道检测

坏道，就是那些信号质量极差的通道。原因很多：电极接触不良、导线断裂、受试者出汗导致短路……坏道不处理，会污染后续的分析结果。

怎么检测坏道？我总结了几条经验：

1. 目视检查：看波形是否异常平坦或剧烈抖动。这是最原始但最可靠的方法。
2. 统计指标：计算每个通道的方差、峰峰值、信噪比。偏离均值3个标准差的，基本可以判定为坏道。
3. 相关性分析：坏道与其他通道的相关性通常很低（<0.3）。

我曾经遇到过一个案例：某受试者的Fz通道波形看起来很正常，但方差比其他通道大10倍。后来发现是电极帽的Fz位置有个小裂缝，导致接触阻抗不稳定。嗯，这种“伪装”成好通道的坏道最坑人。

# MNE自动检测坏道
raw.info['bads'] = []  # 清空原有坏道列表
raw.plot(block=True)   # 手动标记坏道

# 或者用自动检测
from mne.preprocessing import find_bad_channels
bads = find_bad_channels(raw, method='correlation', threshold=0.3)
print(f'检测到的坏道：{bads}')

1.4 坏道插值

坏道找到了，怎么办？直接删除？别急。删除坏道会损失空间信息，尤其是坏道较多时，插值是更好的选择。

插值的原理很简单：用周围好通道的信号，通过某种算法估算坏道的值。常用的方法有：

• 球面样条插值：假设头皮是球面，用样条函数拟合。精度高，但计算慢。
• 最近邻插值：用最近的几个好通道平均。简单粗暴，适合坏道较少的情况。
• 加权平均插值：根据距离加权。我比较推荐，兼顾精度和速度。

这里要注意：插值不是万能的。如果坏道超过总通道数的20%，插值结果会严重失真。这时候我建议直接删除坏道，或者重新采集数据。

# 使用MNE进行坏道插值
raw.interpolate_bads(reset_bads=True)
print('坏道插值完成')

知识体系总览

下面这张图，是我自己整理的EEG预处理流程。你可以把它当作一个检查清单，每次处理数据时对照着来。

这张图里，我特意把滤波放在最前面。为什么？因为滤波能去除大部分噪声，让后续的坏道检测更准确。你想想看，如果工频干扰没滤掉，坏道检测算法可能会把50Hz的噪声误判为坏道。顺序很重要。

---