3. 信号预处理基础：带通滤波、陷波滤波、基线校正、伪迹去除方法、信噪比评估

各位同学，欢迎来到信号预处理这一章。说实话，在神经工程这个行当里摸爬滚打这么多年，我越来越觉得：预处理做得好，后续分析就成功了一半。你想想看，原始脑电信号就像一杯混着泥沙的水，不经过滤就直接喝，那肯定要出问题。

今天我们就来聊聊信号预处理的几个核心环节。我个人习惯把这部分叫做「信号清洗」，因为说白了，就是把那些我们不想要的噪声、干扰统统去掉，只留下干净的神经活动信号。

3.1 带通滤波：只留下你关心的频段

带通滤波，顾名思义，就是让某个频率范围内的信号通过，把范围之外的都滤掉。比如我们做运动想象任务，通常关注的是 mu 节律（8-12 Hz）和 beta 节律（13-30 Hz），那就可以设置一个 8-30 Hz 的带通滤波器。

为什么要这么做？因为脑电信号里混杂着太多东西：低频的漂移（比如电极接触不良导致的缓慢变化）、高频的肌电噪声（肌肉收缩产生的干扰）。带通滤波就是把这些我们不关心的频段一刀切掉。

我在项目中遇到过一个问题：滤波器阶数设得太高，结果信号出现了明显的振铃效应（Gibbs 现象）。嗯，这里要注意，阶数不是越高越好，要根据你的采样率和实际需求来权衡。

下面是一个简单的 Python 实现示例，用的是 scipy 库：

import numpy as np
from scipy import signal
import matplotlib.pyplot as plt

# 采样率 1000 Hz
fs = 1000
# 设计一个 8-30 Hz 的带通滤波器
lowcut = 8.0
highcut = 30.0
order = 4

# 使用 butterworth 滤波器
b, a = signal.butter(order, [lowcut/(fs/2), highcut/(fs/2)], btype='band')

# 假设我们有一段原始信号
t = np.linspace(0, 1, fs)
raw_signal = np.sin(2*np.pi*10*t) + 0.5*np.sin(2*np.pi*50*t) + 0.2*np.random.randn(len(t))

# 应用滤波
filtered_signal = signal.filtfilt(b, a, raw_signal)

# 看看效果
plt.figure(figsize=(10, 4))
plt.plot(t, raw_signal, label='原始信号', alpha=0.6)
plt.plot(t, filtered_signal, label='滤波后信号', linewidth=2)
plt.legend()
plt.xlabel('时间 (s)')
plt.ylabel('幅值')
plt.show()

3.2 陷波滤波：干掉工频干扰

工频干扰，说白了就是 50 Hz（国内）或 60 Hz（国外）的电源噪声。你想想看，实验室里那么多设备，电脑、显示器、放大器，都插在同一个电网上，这些设备产生的电磁场会直接耦合到脑电信号里。

陷波滤波就是专门用来干掉这种特定频率的干扰。它就像一个「窄带阻滤波器」，只衰减一个很窄的频率范围，其他频率几乎不受影响。

我曾经犯过一个错误：陷波滤波器的 Q 值（品质因数）设得太高，结果把 50 Hz 附近的神经活动也一起干掉了。后来我才意识到，陷波滤波要谨慎使用，尤其是当你的研究关注的是 gamma 频段（30-100 Hz）时，50 Hz 陷波可能会破坏掉一部分有用的信号。

# 设计一个 50 Hz 陷波滤波器
f0 = 50.0  # 陷波频率
Q = 30.0   # 品质因数

b, a = signal.iirnotch(f0/(fs/2), Q)

# 应用陷波滤波
notch_filtered = signal.filtfilt(b, a, filtered_signal)

3.3 基线校正：让信号站在同一起跑线上

基线校正，说白了就是让信号有一个统一的参考点。你想想看，不同试次（trial）的脑电信号，可能因为电极接触阻抗的变化、被试的微小移动等原因，导致基线水平不一样。如果不做校正，直接比较不同试次的信号，那结果肯定不靠谱。

最常见的做法是：取刺激呈现前的一段时间（比如 -200 ms 到 0 ms）作为基线，计算这段时间内的平均幅值，然后从整个试次的信号中减去这个平均值。

我记得有一次做 P300 实验，被试在实验过程中打了个哈欠，结果那一试次的信号基线漂移得厉害。如果不做基线校正，这个试次的数据基本就废了。所以，基线校正是数据质量控制的最后一道防线。

def baseline_correction(signal, baseline_indices):
    """
    基线校正函数
    signal: 二维数组 [通道数, 时间点]
    baseline_indices: 基线时间段对应的索引
    """
    baseline_mean = np.mean(signal[:, baseline_indices], axis=1, keepdims=True)
    corrected_signal = signal - baseline_mean
    return corrected_signal

# 假设我们有 64 个通道，每个通道 1000 个时间点
# 基线取前 200 个点
signal_corrected = baseline_correction(signal_raw, baseline_indices=range(0, 200))

3.4 伪迹去除方法：把「脏东西」挑出来

伪迹，就是那些不是大脑产生的信号，但混进了脑电记录里。常见的伪迹包括：

• 眼电伪迹：眨眼、眼球运动产生的电信号，幅值很大，会污染前额叶的电极
• 肌电伪迹：咬牙、皱眉、颈部肌肉紧张产生的高频信号
• 运动伪迹：被试身体移动导致的电极线缆晃动
• 电极伪迹：电极接触不良、导电膏干燥导致的信号突变

伪迹去除的方法有很多，我挑几个最常用的说说：

3.4.1 阈值法

最简单粗暴的方法。设定一个幅值阈值（比如 ±100 μV），超过这个阈值的试次直接扔掉。我在做在线 BCI 系统时经常用这个方法，因为它快，不耽误实时处理。

3.4.2 独立成分分析（ICA）

这是目前最主流的伪迹去除方法。ICA 可以把混合信号分解成若干个独立的成分，然后我们手动识别出哪些成分是伪迹（比如眨眼成分、眼动成分），把它们置零，再重构信号。

嗯，这里要注意：ICA 需要足够的数据量才能稳定分解。我一般建议至少要有 10 倍于通道数的数据点。比如你有 64 个通道，那至少需要 640 个时间点。

3.4.3 回归法

这种方法需要同时记录参考信号，比如用眼电图（EOG）通道记录眼动信号。然后通过线性回归，从脑电信号中减去与 EOG 相关的部分。这个方法在离线分析中效果不错，但需要额外的硬件支持。

3.5 信噪比评估：你的信号到底有多「干净」？

信噪比（SNR），说白了就是有用信号和噪声的比值。在神经工程里，我们通常用分贝（dB）来表示：

SNR(dB) = 10 * log10(P_signal / P_noise)

其中 P_signal 是信号功率，P_noise 是噪声功率。

但问题来了：我们怎么知道哪些是信号，哪些是噪声？在神经信号分析中，通常有两种做法：

方法	原理	适用场景
刺激锁定时域平均法	对多个试次进行平均，信号会增强，噪声会抵消	ERP 研究、诱发响应分析
频谱分析法	比较感兴趣频段的功率和相邻频段的功率	节律分析、稳态诱发电位

我个人习惯用频谱分析法来评估预处理的效果。具体做法是：

1. 计算预处理前后的功率谱密度
2. 观察感兴趣频段的功率是否得到保留
3. 观察噪声频段（比如 50 Hz 工频、高频肌电）的功率是否被有效抑制

def compute_snr(psd, signal_band, noise_band):
    """
    计算信噪比
    psd: 功率谱密度数组
    signal_band: 信号频段索引范围 [start, end]
    noise_band: 噪声频段索引范围 [start, end]
    """
    signal_power = np.mean(psd[signal_band[0]:signal_band[1]])
    noise_power = np.mean(psd[noise_band[0]:noise_band[1]])
    snr = 10 * np.log10(signal_power / noise_power)
    return snr

# 假设我们计算了预处理后的 PSD
snr_after = compute_snr(psd_after, signal_band=[8, 30], noise_band=[45, 55])
print(f"预处理后 SNR: {snr_after:.2f} dB")

3.6 本章知识体系总览

为了让大家对本章内容有一个整体的把握，我画了一张流程图，展示了信号预处理的完整流程：

这张图清晰地展示了信号预处理的四个核心步骤。记住，每一步做完都要检查信号质量，不要等到最后才发现问题。我见过太多同学把所有步骤跑完，结果发现第一步的滤波参数就设错了，白白浪费了时间。

好了，信号预处理的基础知识就讲到这里。这些方法看起来简单，但真正用好它们，需要大量的实践和经验积累。希望各位在实际项目中多动手、多尝试，慢慢就会找到感觉。

---