4. ERP提取与基线校正：从原始脑电到干净波形

好，咱们进入正题。这一章讲的是怎么从乱糟糟的原始EEG里，把ERP信号给“揪”出来。

说白了，ERP信号就藏在背景脑电里。单次刺激诱发的ERP，幅度可能只有几微伏，而背景EEG动辄几十微伏。怎么把它提取出来？靠的就是分段、基线校正和叠加平均这三板斧。

4.1 Epoch分段原理：把连续信号切成小段

原始EEG是连续记录的，就像一卷长长的电影胶片。我们要做的，就是找到每个刺激出现的时刻（事件标记），然后以这个时刻为中心，切出一段固定长度的信号。

分段参数怎么定？

• 刺激前时间（pre-stimulus）：通常是-200ms或-100ms。这段用来做基线校正。我个人习惯用-200ms，因为有些慢波成分需要更长的基线。
• 刺激后时间（post-stimulus）：取决于你关心的ERP成分。P300一般在300-600ms出现，所以取800ms够用。如果是研究N400，可能需要1000ms以上。
• 总epoch长度：pre + post。比如[-200, 800]就是1000ms。

代码实现其实很简单，以MNE为例：

import mne

# 读取原始数据
raw = mne.io.read_raw_fif('sub-01_raw.fif', preload=True)

# 定义事件
events = mne.find_events(raw)

# 分段：刺激前200ms，刺激后800ms
epochs = mne.Epochs(raw, events, event_id={'target': 1, 'standard': 2},
                    tmin=-0.2, tmax=0.8, baseline=None,
                    preload=True)

print(epochs)
# 输出：

4.2 基线校正方法：把波形拉回零线

分段之后你会发现，每个epoch的起始点并不在零线上。有的偏正，有的偏负。这是因为EEG有低频漂移，或者皮肤电位在慢慢变化。

基线校正，就是把刺激前那段时间的平均值算出来，然后从整个epoch里减掉它。这样所有epoch就站在同一条起跑线上了。

两种常用方法：

方法	原理	适用场景	注意事项
均值基线	取基线窗口内所有点的平均值，从整个epoch减去	大多数标准ERP分析	基线窗口不能包含刺激后成分
线性基线	用基线窗口拟合一条直线，减去该直线趋势	有明显线性漂移的数据	可能过度校正，慎用

代码示例：

# 均值基线校正（推荐）
epochs.apply_baseline(baseline=(-0.2, 0))

# 线性基线校正（MNE中需要手动实现）
import numpy as np
from scipy import stats

def linear_baseline_correction(epoch_data, baseline_idx):
    """对每个epoch做线性基线校正"""
    corrected = np.zeros_like(epoch_data)
    for i in range(epoch_data.shape[0]):
        for ch in range(epoch_data.shape[1]):
            # 提取基线段
            baseline_segment = epoch_data[i, ch, baseline_idx[0]:baseline_idx[1]]
            x = np.arange(len(baseline_segment))
            # 线性拟合
            slope, intercept, _, _, _ = stats.linregress(x, baseline_segment)
            # 构建校正趋势
            trend = slope * np.arange(epoch_data.shape[2]) + intercept
            corrected[i, ch, :] = epoch_data[i, ch, :] - trend
    return corrected

4.3 Epoch叠加平均：让信号从噪声中浮现

这是ERP分析最核心的一步。原理很简单：

每个epoch = ERP信号 + 背景噪声

噪声是随机的，均值趋近于0。叠加N次后，信号增强N倍，噪声只增强√N倍。信噪比提升√N倍。

叠加多少次才够？

• 视觉ERP（如P100、N170）：30-50次就能看到清晰波形
• 听觉ERP（如MMN、P300）：50-100次比较稳妥
• 认知实验（如ERN、N400）：80-150次，取决于效应大小

代码实现：

# 叠加平均
evoked_target = epochs['target'].average()
evoked_standard = epochs['standard'].average()

# 查看结果
print(evoked_target)
# 输出：

4.4 ERP波形可视化：一眼看出成分

波形画出来，才能看出有没有ERP成分。我一般会画两种图：

1. 总平均波形图：所有条件叠加后的波形，对比不同条件
2. 地形图：特定时间点的头皮分布，看成分的脑区定位

代码示例：

import matplotlib.pyplot as plt

# 画波形图
fig, ax = plt.subplots(figsize=(10, 6))
evoked_target.plot(axes=ax, picks=['Cz'], show=False, 
                   time_unit='ms', spatial_colors=False)
evoked_standard.plot(axes=ax, picks=['Cz'], show=False,
                     time_unit='ms', spatial_colors=False)
ax.legend(['Target', 'Standard'])
ax.set_title('ERP波形对比 - Cz电极')
ax.axvline(0, color='gray', linestyle='--', alpha=0.5)
ax.axhline(0, color='gray', linestyle='--', alpha=0.5)
plt.show()

# 画地形图
evoked_target.plot_topomap(times=[0.1, 0.2, 0.3, 0.4], 
                           ch_type='eeg', time_unit='ms')

看波形时，我习惯先看三个东西：

• 基线是否平直：刺激前200ms应该是一条水平线，如果有趋势，说明基线校正没做好
• 早期成分是否清晰：P100、N170这些早期成分应该能在单个电极上看到
• 晚期成分的形态：P300应该是正向偏转，N400应该是负向偏转

4.5 单试次分析基础：不叠加，直接看单次

叠加平均虽然好用，但它抹掉了试次间的差异。有时候我们想知道：是不是每个试次都有ERP？还是只有部分试次有？

单试次分析，就是不叠加，直接看每个epoch的波形。当然，单次epoch的信噪比很低，波形可能很乱。但我们可以用一些方法：

• 滤波：先做低通滤波（比如30Hz），去掉高频噪声
• 单试次ERP估计：用回归或机器学习方法，从单次epoch中估计ERP成分
• 时频分析：看单次epoch的时频能量变化

代码示例：

# 查看单试次
epochs['target'].plot_image(picks=['Cz'], 
                            vmin=-10, vmax=10,
                            colorbar=True)

# 单试次叠加图（每个试次一条线）
fig, ax = plt.subplots(figsize=(10, 6))
for i in range(10):  # 只看前10个试次
    epoch_data = epochs['target'][i].get_data(picks=['Cz'])[0]
    ax.plot(epochs.times * 1000, epoch_data, 
            alpha=0.5, linewidth=0.5)
ax.set_xlabel('Time (ms)')
ax.set_ylabel('Amplitude (µV)')
ax.set_title('单试次ERP波形（前10个试次）')
ax.axvline(0, color='gray', linestyle='--')
plt.show()

嗯，这一章的内容就这些。分段、基线校正、叠加平均，这三步是ERP分析的基石。单试次分析是进阶玩法，但理解它有助于你更深入地理解ERP的本质——它不是一个固定的波形，而是一个统计现象。

---

公众号:蓝海资料掘金营，微信deep3321