3、信号处理预备知识：采样定理、傅里叶变换直观理解、滤波器基础概念、信噪比(SNR)计算
好，咱们正式开始啃信号处理这块硬骨头。
说实话，我当年刚接触神经信号时，也被这些概念绕得头晕。采样定理、傅里叶变换、滤波器……每个词都认识，连起来就不知道在说什么。后来做了几个项目，踩了不少坑，才慢慢摸到门道。
这一章，我就用最直白的方式，把这些基础概念给你讲透。你不需要成为信号处理专家，但得知道它们是怎么工作的——毕竟，深度学习模型处理的可都是数字信号，你不懂信号，怎么调模型？
本章核心目标：理解信号处理四大基石——采样定理、傅里叶变换、滤波器、信噪比。掌握它们的基本原理和实际应用场景，为后续深度学习模型处理神经信号打下基础。
3.1 采样定理：别让你的信号“失真”
先问个问题：为什么我们能把连续的脑电波变成电脑能处理的数字信号？
答案就是采样。但采样不是随便采的，有个铁律——奈奎斯特采样定理。
核心内容就一句话：采样频率必须大于信号最高频率的两倍。否则，信号就会“混叠”，也就是高频信号伪装成低频信号，你根本分不清。
举个例子。我做过一个EEG项目，采集的是40Hz的gamma波。当时图省事，用了80Hz采样率，刚好卡在边界上。结果分析时发现波形怪怪的，怎么调模型都不对。后来一查，原来是采样率不够，信号已经混叠了。换成100Hz后，问题立刻解决。
我的经验：实际工程中，采样率一般取信号最高频率的3-5倍。比如你要分析100Hz以内的信号，采样率至少300Hz。留点余量，别卡着边界走。
采样定理的数学表达很简单：
fs ≥ 2 * fmax其中fs是采样频率，fmax是信号最高频率。
你想想看，如果采样率不够，会发生什么？
- 高频信号被“折叠”到低频区域
- 你看到的波形是假的
- 后续所有分析都是错的
避坑指南：我曾经在采集肌电信号时，因为采样率设置太低，把50Hz的工频干扰当成了有效信号，白白浪费了两周时间。记住：采样前先搞清楚信号的频率范围，再定采样率。
3.2 傅里叶变换：从时域到频域的“翻译器”
傅里叶变换，说白了就是把信号从时间域翻译到频率域。
为什么需要这个翻译？因为很多信号在时域里看着乱糟糟的，但到了频域就一目了然。比如脑电信号，你在时域里看到的是乱七八糟的波形，但用傅里叶变换一看，就能清楚看到alpha波（8-12Hz）、beta波（13-30Hz）的能量分布。
直观理解：傅里叶变换就像一台“频谱分析仪”，告诉你信号里包含哪些频率成分，每个成分的强度有多大。
数学上，连续傅里叶变换长这样：
X(f) = ∫ x(t) * e^(-j2πft) dt但在实际工程中，我们用的是离散傅里叶变换（DFT），以及它的快速版本FFT。
Python里用FFT超级简单：
import numpy as np
import matplotlib.pyplot as plt
# 生成一个10Hz的正弦波
fs = 1000 # 采样率
t = np.arange(0, 1, 1/fs)
x = np.sin(2 * np.pi * 10 * t)
# 做FFT
X = np.fft.fft(x)
freqs = np.fft.fftfreq(len(x), 1/fs)
# 只取正频率部分
pos_mask = freqs >= 0
plt.plot(freqs[pos_mask], np.abs(X[pos_mask]))
plt.xlabel('频率 (Hz)')
plt.ylabel('幅度')
plt.show()这段代码会输出一个频谱图，在10Hz处有一个明显的峰值——那就是你的信号。
重要提醒：FFT的结果是复数，幅度用np.abs()取模，相位用np.angle()取角度。初学者最容易犯的错误是直接拿复数结果画图，画出来全是错的。
3.3 滤波器基础概念：让该过的过，该拦的拦
滤波器，顾名思义，就是过滤信号的“筛子”。
在神经信号处理中，滤波器太重要了。脑电信号里混着肌电噪声、工频干扰、眼动伪迹……你不滤波，模型根本没法用。
四种基本滤波器：
| 类型 | 作用 | 典型应用 |
|---|---|---|
| 低通滤波器 | 保留低频，滤除高频 | 去除肌电噪声（高频） |
| 高通滤波器 | 保留高频，滤除低频 | 去除基线漂移（低频） |
| 带通滤波器 | 保留特定频段 | 提取alpha波（8-12Hz） |
| 带阻滤波器 | 滤除特定频段 | 去除50Hz工频干扰 |
Python里用scipy做滤波器非常方便：
from scipy import signal
# 设计一个带通滤波器，保留8-12Hz
fs = 250 # 采样率
lowcut = 8.0
highcut = 12.0
# 巴特沃斯滤波器
b, a = signal.butter(4, [lowcut/(fs/2), highcut/(fs/2)], btype='band')
# 应用滤波器
filtered_signal = signal.filtfilt(b, a, raw_signal)我的习惯：用filtfilt而不是lfilter。filtfilt是零相位滤波，不会引入相位偏移，对神经信号分析特别重要。lfilter会延迟信号，导致时间对齐出问题。
嗯，这里要注意：滤波器阶数越高，滤波效果越好，但计算量也越大，而且可能引入振铃效应。我一般用4阶巴特沃斯，平衡效果和效率。
3.4 信噪比(SNR)计算：你的信号到底有多“干净”？
信噪比，就是信号和噪声的功率比值。说白了，就是衡量你的信号质量好不好。
公式很简单：
SNR = 10 * log10(Psignal / Pnoise)单位是dB。SNR越高，信号越干净。
举个例子：
- SNR = 20dB：信号功率是噪声的100倍，非常好
- SNR = 10dB：信号功率是噪声的10倍，还行
- SNR = 0dB：信号和噪声一样强，基本没法用
实际计算时，怎么区分信号和噪声？
我常用的方法：
- 找一段只有噪声的片段（比如刺激前的基线）
- 找一段包含信号的片段（比如刺激后的响应）
- 分别计算功率，代入公式
import numpy as np
def compute_snr(signal_segment, noise_segment):
"""
计算信噪比
signal_segment: 包含信号的片段
noise_segment: 纯噪声片段
"""
Psignal = np.var(signal_segment)
Pnoise = np.var(noise_segment)
if Pnoise == 0:
return float('inf')
snr = 10 * np.log10(Psignal / Pnoise)
return snr
# 使用示例
snr_value = compute_snr(signal_window, noise_window)
print(f"SNR = {snr_value:.2f} dB")避坑指南：我曾经在计算SNR时，直接用整个信号段的方差当信号功率，忘了减去噪声功率。结果SNR虚高，模型训练时才发现数据质量其实很差。正确做法是：信号功率 = 总功率 - 噪声功率。
还有一个更实用的指标——信噪比增益。它衡量的是你的预处理流程（滤波、去伪迹等）到底提升了多少信号质量：
SNR_gain = SNR_after - SNR_before如果增益是负的，说明你的预处理反而把信号搞坏了。我见过不少同学，滤波参数设错了，SNR反而下降。
3.5 本章知识体系
为了让你更直观地理解这些概念之间的关系，我画了一张图：
这张图把本章的知识体系串起来了。你看，从原始神经信号出发，先通过采样定理把它变成数字信号，再用傅里叶变换分析频率成分，然后用滤波器提取你想要的频段，最后用信噪比评估信号质量。每一步都环环相扣。
好了，这一章的内容就到这里。这些概念你可能一次记不住，没关系，后面每一章都会用到它们。等你做完几个项目，自然就熟了。
记住：信号处理不是目的，而是手段。我们的最终目标，是用深度学习从神经信号里挖掘出有价值的信息。打好这个基础，后面的路会顺畅很多。
公众号:蓝海资料掘金营，微信deep3321