第三节：脑电数据预处理——把脏数据洗干净

各位同学，欢迎来到预处理环节。

说实话，脑电数据预处理这步，我当年刚入行时觉得特别枯燥。不就是滤波、去噪、校正嘛，有什么好讲的？直到我第一次拿着没做ICA去伪迹的数据去跑分类模型，结果准确率只有55%——跟抛硬币差不多。嗯，从那以后我再也不敢小看预处理了。

今天我们要聊的内容，说白了就是四个步骤：带通滤波、陷波滤波、ICA去伪迹、基线校正。每一步都有它的道理，也有它的坑。我尽量把我在项目中踩过的雷都告诉你。

脑电数据预处理流程 步骤一 带通滤波 0.5 - 45 Hz 步骤二 陷波滤波 50 Hz 工频 步骤三 ICA 去伪迹 眼电/肌电 步骤四 基线校正 去直流偏移 原始脑电 → 带通滤波 → 陷波滤波 → ICA去伪迹 → 基线校正 → 干净数据 💡 小提示 顺序很重要！先带通滤波再陷波滤波，最后做ICA，效果最好

3.1 带通滤波：把不要的频率切掉

脑电信号里，真正有用的频率范围其实很窄。我个人习惯用0.5到45 Hz这个区间。为什么？

  • 低于0.5 Hz：主要是基线漂移和慢电位，跟认知活动关系不大
  • 高于45 Hz：肌电噪声（EMG）开始大量出现，还有各种高频干扰

你想想看，如果不做带通滤波，低频漂移会让你的数据看起来像过山车，高频噪声又会让波形变得毛刺刺的。我在做运动想象脑电时遇到过这种情况——没滤波之前，C3和C4导联的ERD/ERS模式根本看不出来，滤波之后才清晰可见。

核心参数：

  • 低截止频率：0.5 Hz（有时用0.1 Hz，看具体任务）
  • 高截止频率：45 Hz（或40 Hz，看你的采样率）
  • 滤波器阶数：我一般用4阶Butterworth，效果够用

# Python代码示例 - MNE库实现带通滤波
import mne

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

# 带通滤波 0.5-45 Hz
raw.filter(0.5, 45, fir_design='firwin')
print('带通滤波完成！')

⚠️ 注意：滤波顺序有讲究。我建议先做带通滤波，再做陷波滤波。如果反过来，陷波滤波可能会把带通滤波边缘附近的频率也削掉一部分，造成不必要的信号损失。

3.2 陷波滤波：干掉50 Hz工频干扰

工频干扰，说白了就是市电带来的噪声。在中国是50 Hz，在美国是60 Hz。这个频率的干扰在脑电数据里特别明显——你会看到所有导联上都有规律的50 Hz正弦波叠加在上面。

我记得有一次做静息态脑电分析，没做陷波滤波就直接跑功率谱密度，结果50 Hz那里冒出一个巨大的尖峰，把alpha波（8-12 Hz）的峰值都压下去了。嗯，从那以后我每次预处理都会检查一下功率谱，确认50 Hz被干掉没有。

💡 我的经验：陷波滤波的带宽不要设太宽。我一般用48-52 Hz，带宽4 Hz就够了。带宽太宽会把附近的脑电活动也滤掉，特别是如果你研究的是gamma频段（30-50 Hz），那就要格外小心。


# 陷波滤波 50 Hz
raw.notch_filter(50, picks='eeg', fir_design='firwin')
print('50 Hz 工频干扰已去除')

3.3 ICA去伪迹：把眼电和肌电分离出来

独立成分分析（ICA），这名字听起来挺高大上，其实原理不复杂。它假设脑电信号是由多个独立源混合而成的——脑电活动是一个源，眨眼是一个源，肌肉活动又是一个源。ICA就是把这些源分离开。

我刚开始用ICA时犯过一个错误：把所有成分都保留，只手动剔除那些明显是眼电的成分。后来发现，有些成分看起来像脑电，其实是肌电伪迹。怎么办？我现在的做法是：先用EOG通道做参考，自动识别眼电成分，再手动检查剩下的成分。

ICA去伪迹的关键步骤：

  1. 先做带通滤波和陷波滤波
  2. 运行ICA算法（我常用FastICA或Infomax）
  3. 查看各成分的拓扑图和时序图
  4. 剔除眼电成分（前额叶分布、低频高幅）
  5. 剔除肌电成分（后部分布、高频特征）
  6. 重建干净的脑电信号

# ICA去伪迹示例
from mne.preprocessing import ICA

# 初始化ICA，设置成分数量
ica = ICA(n_components=20, random_state=42)

# 拟合ICA
ica.fit(raw, picks='eeg')

# 自动识别眼电成分（如果有EOG通道）
eog_indices, eog_scores = ica.find_bads_eog(raw, ch_name='EOG', threshold=3.0)

# 标记并剔除眼电成分
ica.exclude = eog_indices
raw_clean = ica.apply(raw)

print(f'已剔除 {len(eog_indices)} 个眼电成分')

⚠️ 我曾经踩过的坑：有一次我一次性剔除了10个成分，结果发现脑电信号变得很奇怪——alpha波都没了。后来才意识到，ICA成分里有些是脑电活动本身，不能盲目剔除。我的建议是：每次剔除前先看拓扑图和频谱，确认它是伪迹再动手。

3.4 基线校正：让数据站在同一起跑线上

基线校正，说白了就是把每个trial的基线期（通常是刺激出现前的一段时间）的平均值减掉。为什么要做？因为不同trial的直流偏移不一样，如果不校正，你看到的ERP波形可能不是真正的脑电反应，而是基线差异造成的假象。

我一般用刺激前200毫秒作为基线期。比如刺激在0时刻出现，我就取-200 ms到0 ms这段数据，计算平均值，然后从整个trial里减掉。

💡 小技巧：基线校正后，记得检查一下所有trial的基线期是否都接近0微伏。如果某个trial的基线期偏离很大，说明这个trial可能还有残留噪声，可以考虑剔除。


# 基线校正示例
# 假设epochs已经创建，基线期为[-0.2, 0]秒
epochs = mne.Epochs(raw, events, event_id, tmin=-0.2, tmax=0.8, baseline=(-0.2, 0))

# 或者对已有的epochs做基线校正
epochs.apply_baseline(baseline=(-0.2, 0))
print('基线校正完成！')

3.5 预处理流程总结

好了，四个步骤都讲完了。我整理了一个表格，方便你对照使用：

步骤 目的 关键参数 注意事项
带通滤波 去除低频漂移和高频噪声 0.5-45 Hz，4阶Butterworth 先做带通，再做陷波
陷波滤波 去除50 Hz工频干扰 48-52 Hz，带宽4 Hz 带宽不要太宽，避免影响gamma频段
ICA去伪迹 分离眼电、肌电等伪迹 n_components=15-25 逐个检查成分，不要批量剔除
基线校正 消除trial间直流偏移差异 基线期[-0.2, 0]秒 校正后检查基线是否归零

一句话总结：预处理做得好，后续分析事半功倍。我见过太多人花大量时间调模型参数，却忽略了预处理——结果数据质量差，模型怎么调都调不好。记住，干净的输入数据，才是好模型的基石。

公众号:蓝海资料掘金营，微信deep3321

← 上一章 📖 返回目录 下一章 →