神经信号基础：从生物电到数字信号

做深度学习去噪之前，咱们得先搞清楚一个根本问题——你到底在跟什么打交道？

神经信号，说白了就是大脑里神经元放电产生的电活动。我刚开始接触这个领域时，总觉得它跟普通信号差不多，后来才发现完全不是那么回事。嗯，这里面的门道还挺深。

什么是神经信号？

神经信号是大脑神经元之间传递信息的电化学活动。单个神经元会通过动作电位（Action Potential）来传递信息，而大量神经元同步放电时，就会产生可以被外部设备捕捉到的电信号。

你可以把大脑想象成一个超级复杂的电路板。上千亿个神经元就是一个个微型开关，它们不断开合、放电、传递信号。我们做去噪，就是要从这些混乱的放电活动中提取出有意义的信息。

神经信号的采集方式

目前主流的采集方式有三种。我三种都用过，各有各的脾气。

1. EEG（脑电图）

EEG 是最常用的方式。把电极贴在头皮上，记录大脑皮层的电活动。优点是便宜、便携、时间分辨率高（毫秒级）。

但缺点也很明显——信号太弱了。头皮上测到的信号只有微伏级别，随便一个眨眼、肌肉收缩，都能把信号淹没。我在项目中遇到过最头疼的事，就是被试者打了个哈欠，结果整段数据都废了。

参数	EEG
时间分辨率	~1ms
空间分辨率	~1cm（较差）
信号强度	1-100 μV
成本	低
便携性	高

2. MEG（脑磁图）

MEG 测量的是神经元放电产生的磁场。它比 EEG 的空间分辨率高很多，能精确定位到毫米级别。

但代价是什么？设备贵得离谱，一套 MEG 系统动辄上千万。而且需要专门的磁屏蔽室，不然地铁开过都能干扰到信号。我建议，除非你预算充足，否则别轻易碰 MEG。

3. fMRI（功能性磁共振成像）

fMRI 测量的是血氧水平依赖（BOLD）信号。它不直接测电活动，而是测大脑哪个区域在消耗氧气。空间分辨率很高（毫米级），但时间分辨率很差（秒级）。

说白了，fMRI 告诉你「哪里」在活动，EEG 告诉你「什么时候」在活动。做去噪时，fMRI 的噪声主要来自呼吸、心跳和头动。我曾经处理过一组 fMRI 数据，被试者扫描时睡着了，头一歪，整组数据就飘了。

参数	fMRI
时间分辨率	~1-2s（较差）
空间分辨率	~1mm（优秀）
信号强度	间接测量
成本	高
便携性	低

神经信号的特点与挑战

搞清楚了采集方式，咱们再来看看神经信号本身有什么特点。这些特点直接决定了我们怎么设计去噪算法。

特点一：信噪比极低

神经信号的信噪比（SNR）通常在 -10dB 到 0dB 之间。什么意思？就是噪声比信号还大。你想想看，要从一堆噪声里把信号抠出来，这活儿有多难。

我刚开始做 EEG 去噪时，拿到的数据看起来就是一团乱麻。导师跟我说：「别急，你先看看频谱。」我一看，50Hz 的工频干扰比信号高了两个数量级。嗯，这就是现实。

特点二：非平稳性

神经信号不是稳定的。同一被试者，同一实验，不同时间测出来的信号可能差别很大。为什么会这样？因为大脑的状态一直在变——疲劳、注意力、情绪，都会影响信号。

这对深度学习来说是个大麻烦。模型在训练集上表现很好，换一批数据就崩了。我建议，做数据增强时一定要考虑非平稳性，比如加一些随机的时间偏移和幅度扰动。

特点三：多源混合

头皮上测到的信号，其实是多个脑区活动的混合。再加上眼电、肌电、心电这些生理伪迹，信号源就更多了。

我曾经犯过一个错误：直接用原始 EEG 信号训练去噪模型，结果模型学会了去除眼电，但把脑电信号也一起干掉了。后来我才明白，必须先做源分离，再去做噪。

特点四：个体差异大

每个人的大脑结构都不一样。同一个实验范式，不同被试者的信号模式可能完全不同。这就导致了一个问题：在一个被试者上训练好的模型，换个人就不好使了。

我见过很多论文，在 10 个被试者上做交叉验证，结果 R² 只有 0.3。说白了，跨被试者的泛化能力是神经信号去噪的最大挑战之一。

知识体系总览

下面这张图总结了本章的核心内容。你可以把它当作一个路线图，后面每章都会围绕这些知识点展开。

小结

神经信号的基础知识，说白了就是三件事：信号是什么、怎么采的、有什么坑。EEG 便宜但噪声大，MEG 精度高但贵得离谱，fMRI 空间好但时间差。每种方式都有各自的噪声特点，去噪策略也得跟着变。

我个人习惯，拿到一批新数据后，第一件事不是跑模型，而是先看频谱、看时域波形、看伪迹分布。搞清楚噪声长什么样，再去想怎么去噪。这个习惯帮我避了不少坑。

下一章，我们会深入常见的噪声类型——工频干扰、眼电、肌电、头动伪迹。到时候我会手把手教你识别它们，并给出对应的去噪策略。

---

公众号:蓝海资料掘金营，微信deep3321