第3章传统去噪方法回顾

第三章传统去噪方法回顾：滤波、小波与ICA

说实话，每次带新人做神经信号处理，我都会先问一个问题：「你知道深度学习之前，大家是怎么去噪的吗？」

这个问题很关键。你想想看，如果连传统方法都搞不清楚，你怎么知道深度学习到底牛在哪？我在项目里见过太多人，一上来就扔给神经网络，结果模型学了一堆噪声特征，反而把信号搞坏了。

今天咱们就把传统去噪的几把刷子捋一遍。嗯，都是经典，但各有各的脾气。

3.1 滤波：最朴素的去噪手段

滤波这玩意儿，说白了就是「让想要的频率通过，挡住不想要的」。神经信号里，不同成分的频率范围大致是这样的：

信号成分	频率范围	典型噪声
局部场电位（LFP）	0.5–100 Hz	工频干扰（50/60 Hz）
动作电位（Spike）	300–5000 Hz	肌电噪声、电极漂移
EEG	0.5–40 Hz	眼动伪迹、呼吸干扰

3.1.1 低通滤波

低通滤波就是「让低频通过，高频滚蛋」。我习惯用它来去除高频噪声，比如肌电干扰。举个例子，EEG信号里我们通常只关心40 Hz以下，那直接设个截止频率40 Hz的低通滤波器就行。

from scipy import signal
import numpy as np

# 设计一个4阶巴特沃斯低通滤波器，截止频率40 Hz
fs = 1000  # 采样率
cutoff = 40
b, a = signal.butter(4, cutoff / (fs/2), btype='low')
filtered_signal = signal.filtfilt(b, a, raw_signal)

我的小经验：用 filtfilt 而不是 lfilter，因为前者是零相位滤波，不会造成信号偏移。我在处理Spike数据时吃过这个亏，后来再也不敢用 lfilter 了。

3.1.2 高通滤波

高通滤波正好相反——「让高频通过，低频滚蛋」。它主要用来去除基线漂移。你想想看，电极在脑子里待久了，信号基线会慢慢飘，这时候高通滤波就派上用场了。

# 高通滤波，截止频率0.5 Hz，去除基线漂移
b, a = signal.butter(4, 0.5 / (fs/2), btype='high')
filtered_signal = signal.filtfilt(b, a, raw_signal)

注意：高通滤波会损失低频信息。如果你要分析慢波或低频振荡，千万别把截止频率设太高。我曾经有个项目，为了去漂移把截止频率设到2 Hz，结果把慢波特征全滤掉了，白忙活两周。

3.1.3 带通与带阻滤波

带通滤波就是「只让某个频段通过」，比如提取Spike信号时，我们通常用300–3000 Hz的带通。带阻滤波则是「挡住某个频段」，最经典的就是50 Hz工频陷波。

# 带通滤波：300–3000 Hz
b, a = signal.butter(4, [300, 3000] / (fs/2), btype='band')
spike_band = signal.filtfilt(b, a, raw_signal)

# 带阻滤波：陷波50 Hz
b, a = signal.iirnotch(50, 30, fs)
clean_signal = signal.filtfilt(b, a, raw_signal)

嗯，这里要注意：陷波滤波器的Q值（品质因数）很关键。Q值太高会引入振铃效应，Q值太低又去不干净。我个人习惯用30，效果比较均衡。

3.2 小波变换去噪

滤波的问题在哪？它假设信号和噪声的频带是分开的。但现实哪有这么理想？神经信号和噪声经常「你中有我，我中有你」。这时候小波变换就登场了。

小波变换的核心思想是：把信号分解到不同尺度和时间位置上。噪声通常集中在精细尺度（高频细节），而信号则分布在较粗尺度。

  小波去噪三步走：
  分解：选择小波基（比如db4、sym8），对信号做多层小波分解
阈值处理：对细节系数做软阈值或硬阈值处理
重构：用处理后的系数重构信号

import pywt

def wavelet_denoise(signal, wavelet='db4', level=5, method='soft'):
    # 1. 小波分解
    coeffs = pywt.wavedec(signal, wavelet, level=level)
    
    # 2. 计算阈值（通用阈值公式）
    sigma = np.median(np.abs(coeffs[-1])) / 0.6745
    threshold = sigma * np.sqrt(2 * np.log(len(signal)))
    
    # 3. 对细节系数做阈值处理
    coeffs_thresh = [coeffs[0]]  # 近似系数不动
    for i in range(1, len(coeffs)):
        coeffs_thresh.append(pywt.threshold(coeffs[i], threshold, mode=method))
    
    # 4. 重构信号
    return pywt.waverec(coeffs_thresh, wavelet)

避坑指南：我曾经在EEG去噪时用了db1（Haar小波），结果信号出现了阶梯状伪影。后来换成db4或sym8，效果就好多了。小波基的选择真的很重要，别偷懒用默认值。

小波变换的优势在于「时频局部化」——它既能抓住信号的突变（比如Spike），又能保留低频趋势。但缺点也很明显：阈值怎么选？小波基怎么定？这些都需要经验。

3.3 独立成分分析（ICA）

ICA这玩意儿，说白了就是「盲源分离」。它假设你观测到的信号是多个独立源信号的线性混合。比如EEG里，大脑信号、眼电、肌电、心电都是独立的源，ICA能把它们拆开。

我习惯用ICA来处理眼动伪迹。你想想看，被试眨一下眼，EEG信号里就出现一个巨大的尖峰，这玩意儿用滤波根本去不掉，因为它和脑电信号频带重叠。但ICA可以。

from sklearn.decomposition import FastICA

# 假设 data 是 [通道数, 时间点] 的矩阵
ica = FastICA(n_components=32, random_state=42)
sources = ica.fit_transform(data.T)  # 得到源信号

# 识别并去除眼动成分（通常看成分的时域波形和地形图）
# 假设第3个成分是眼动伪迹
sources[:, 2] = 0

# 重构信号
clean_data = ica.inverse_transform(sources).T

注意：ICA不是万能的。它要求源信号统计独立，而且非高斯分布。如果两个源信号有相关性（比如两个脑区同步放电），ICA就会失效。另外，ICA的分解结果不稳定，每次运行可能得到不同的成分顺序。

3.4 传统方法的局限性

好了，咱们把传统方法都过了一遍。你可能会问：「既然有这么多方法，为什么还要用深度学习？」

问得好。我总结一下传统方法的几个硬伤：

方法	局限性	典型场景
滤波	频带重叠时无效；会损失信号成分	工频干扰、基线漂移
小波变换	阈值选择依赖经验；小波基不通用	Spike检测、EEG去噪
ICA	需要多通道；假设独立性；不稳定	眼动伪迹、肌电去除

说白了，传统方法都是「手工特征+固定规则」。你告诉它「噪声是高频的」，它就滤掉高频；你告诉它「噪声是独立的」，它就做ICA。但现实中的噪声哪有这么听话？

举个例子，我在做自由行为小鼠的神经信号记录时，小鼠跑动产生的运动伪迹，既有低频漂移，又有高频抖动，还和神经信号高度相关。滤波？滤不干净。小波？阈值不好定。ICA？单通道数据根本没法用。

这就是为什么我们需要深度学习——它能自动学习噪声的模式，不需要你手工设计规则。但话说回来，传统方法也不是一无是处。我现在的项目里，经常先用滤波做预处理，再用深度学习做精细去噪。两者结合，效果最好。

  我的建议：别急着抛弃传统方法。先把滤波、小波、ICA玩熟了，你才能理解深度学习到底解决了什么问题。否则你连评价模型好坏的标准都没有。

📚 课程目录

第三章 传统去噪方法回顾：滤波、小波与ICA

3.1 滤波：最朴素的去噪手段

3.1.1 低通滤波

3.1.2 高通滤波

3.1.3 带通与带阻滤波

3.2 小波变换去噪

3.3 独立成分分析（ICA）

3.4 传统方法的局限性

第三章传统去噪方法回顾：滤波、小波与ICA