第二章：噪声类型与来源——知己知彼，百战不殆
做神经信号去噪，说白了就是一场「信号提纯」的战斗。你想想看，我们采集到的脑电信号，就像一杯被各种杂质污染的水——有生理活动带来的「生物杂质」，也有设备环境带来的「电子杂质」。我个人习惯，拿到一段信号后第一件事不是急着去噪，而是先问自己三个问题：这噪声从哪来？长什么样？怎么区分？
这一章，我们就来拆解这些「杂质」的真面目。
2.1 生理噪声：来自身体内部的「干扰源」
生理噪声，顾名思义，是人体自身活动产生的电信号。它们混在脑电里，有时候比脑电本身还强。我在项目中遇到过最头疼的情况——受试者打了个哈欠，眼电直接淹没了整个额叶通道的数据。
2.1.1 眼电噪声（EOG）
眼电是最常见的生理噪声。眼球本身就是一个电偶极子，角膜带正电，视网膜带负电。你眨眼、转动眼球，都会产生几十到几百微伏的电位变化。
- 幅度： 50-200 μV，比脑电（5-100 μV）大得多
- 频率： 0-10 Hz，主要集中在低频段
- 空间分布： 额叶电极（Fp1, Fp2, Fz）受影响最大
- 波形： 眨眼产生陡峭的尖峰，眼动产生缓慢的阶梯状偏移
嗯，这里要注意：眼电和低频脑电（比如δ波、θ波）在频域上高度重叠。你如果简单用高通滤波，很容易把有用的脑电也滤掉。我曾经吃过这个亏——为了去眼电，把受试者的慢波睡眠信号全干掉了，结果论文审稿人一眼就看出来了。
2.1.2 肌电噪声（EMG）
肌电是另一个「刺头」。你咬个牙、皱个眉、甚至脖子稍微动一下，肌肉收缩产生的电信号就会窜进来。
| 噪声类型 | 频率范围 | 幅度 | 典型场景 |
|---|---|---|---|
| 眼电（EOG） | 0-10 Hz | 50-200 μV | 眨眼、眼球转动 |
| 肌电（EMG） | 20-500 Hz | 10-100 μV | 咬牙、皱眉、颈部紧张 |
| 心电（ECG） | 0.5-40 Hz | 0.5-5 μV | 心跳、脉搏 |
肌电的麻烦在于它的频率范围太宽了。低频部分和β波、γ波重叠，高频部分又和噪声混在一起。我建议你记住一个经验法则：肌电的时域波形像「毛刺」，而脑电是「平滑的波动」。这个直觉在深度学习里很有用——很多CNN网络就是靠这个特征来区分信号的。
2.1.3 心电噪声（ECG）
心电噪声相对好处理一些。它幅度小（通常不到5 μV），而且有规律——跟着心跳节奏走。但如果你做的是高密度脑电（128导以上），或者电极靠近耳后、颈部，心电的R波尖峰就会很明显。
2.2 环境噪声：来自外部的「电子污染」
环境噪声比生理噪声更「机械」，但也更顽固。你想想看，我们实验室里到处都是电源线、显示器、手机信号...这些都会耦合到脑电信号里。
2.2.1 工频干扰（50/60 Hz）
工频干扰是每个做脑电的人都会遇到的噩梦。电网的交流电频率——中国和欧洲是50 Hz，美国是60 Hz——会通过电磁感应耦合到电极线和放大器里。
工频干扰的时频特征非常明显：
- 时域： 正弦波叠加在脑电上，幅度通常5-20 μV
- 频域： 在50 Hz（或60 Hz）处有一个尖锐的峰值
- 谐波： 有时还会出现100 Hz、150 Hz等谐波分量
2.2.2 电磁干扰（EMI）
电磁干扰的来源就多了——手机、WiFi路由器、荧光灯、电机...这些设备都会辐射电磁波，被脑电的导线和电极接收。
我个人习惯把电磁干扰分成两类：
- 窄带干扰： 比如手机信号（900 MHz、1800 MHz），虽然频率极高，但经过放大器后可能混叠到低频段
- 宽带干扰： 比如开关电源的噪声，覆盖很宽的频率范围，看起来像白噪声
2.3 噪声的时频域特征——深度学习能学什么？
好了，现在我们知道噪声长什么样了。但深度学习模型怎么区分信号和噪声呢？说白了，就是让模型学习到噪声在时域和频域上的「指纹」。
我画了一张图，帮你理清这个知识体系：
为什么深度学习在去噪上这么强？因为它能同时利用这三个维度的信息。举个例子：
- 时域上： 眼电的尖峰、肌电的毛刺、工频的正弦波，形态完全不同
- 频域上： 眼电低频、肌电高频、工频有固定峰值，频谱分布各异
- 时频域上： 噪声的时变特性——比如眨眼瞬间的突变——在时频谱上一目了然
最后说一个我踩过的坑。刚开始做这个方向时，我总想着用一个模型搞定所有噪声。结果呢？模型在训练集上表现完美，一上真实数据就崩了。后来我才明白——不同噪声的物理机制完全不同，你不能指望一个简单的CNN同时学会去眼电和去工频。现在的做法是：先识别噪声类型，再针对性去噪。这个思路，我们会在后面的章节详细展开。
嗯，这一章的内容就到这里。记住一句话：理解噪声，比去噪本身更重要。下一章，我们会把这些知识落地到代码里，看看怎么用Python把噪声可视化出来。