数据预处理实战：带通滤波、陷波滤波、基线校正、ICA去伪影

说实话，做神经信号处理这几年，我踩过最多的坑就是预处理环节。很多人觉得原始数据采集回来就能直接扔进模型训练，结果跑出来的结果一塌糊涂。我刚开始做EEG分析时也犯过这毛病——采集了一堆数据，兴奋地直接上深度学习，最后发现模型学到的全是工频噪声和眼电伪迹。

嗯，今天咱们就把预处理这四板斧讲透。你想想看，神经信号本身才几微伏到几十微伏，周围全是噪声，不把这些脏东西清干净，后续分析就是空中楼阁。

1. 带通滤波：把信号框在有效频段内

带通滤波说白了就是给信号画个频率范围。比如EEG的有效成分通常在0.5-100Hz之间，低于0.5Hz的基线漂移和高于100Hz的肌电噪声，我们统统不要。

我在项目中遇到过一件事：有次做运动想象分类，模型准确率死活上不去。后来排查发现，原始数据里混进了低频漂移，导致不同试次间的基线差异巨大。加上0.5Hz高通滤波后，准确率直接提升了15%。

# Python示例：使用MNE进行带通滤波
import mne

# 读取原始数据
raw = mne.io.read_raw_fif('subject_01_raw.fif', preload=True)

# 带通滤波：保留0.5-45Hz
raw.filter(0.5, 45, fir_design='firwin')

# 查看滤波效果
raw.plot_psd(fmax=50)

2. 陷波滤波：干掉50Hz工频干扰

工频干扰是神经信号处理的老大难。国内50Hz，国外60Hz，这个频率的噪声几乎无处不在——电源线、显示器、甚至你手机充电器都会引入。

我记得刚入行时，有次做静息态EEG分析，功率谱上50Hz处有个尖峰特别扎眼。当时我以为是某种神经振荡，兴奋地研究了半天，最后被导师一句话点醒：「你把电源拔了试试。」结果尖峰消失了……

# 陷波滤波：去除50Hz工频干扰
raw.notch_filter(50, picks='eeg', fir_design='firwin')

# 也可以同时去除谐波（100Hz、150Hz）
raw.notch_filter([50, 100, 150], picks='eeg')

3. 基线校正：让信号站在同一起跑线

基线校正，说白了就是把每个试次开始前的信号均值拉到零。为什么要做？因为不同试次开始前的脑电状态不一样——你可能在试次A前刚眨了眼，试次B前深吸了一口气，这些都会影响基线水平。

实际操作中，我一般取刺激前200ms作为基线窗口。这个窗口长度要适中：太短了估计不准基线，太长了可能混入其他成分。

# 使用MNE进行基线校正
epochs = mne.Epochs(raw, events, event_id, tmin=-0.2, tmax=0.8,
                    baseline=(-0.2, 0), preload=True)

# 也可以手动计算并减去基线
baseline_mean = epochs.copy().crop(-0.2, 0).data.mean(axis=-1, keepdims=True)
epochs.data -= baseline_mean

4. ICA去伪影：分离眼电和肌电干扰

ICA（独立成分分析）是我个人最喜欢的预处理工具。它能把混合信号分解成统计独立的成分，然后我们手动挑出那些明显是伪影的成分，把它们扔掉。

你想想看，眼电信号在额叶电极上幅度最大，且波形特征明显——眨眼会产生一个陡峭的尖峰，眼球转动则产生缓慢的漂移。这些特征在ICA成分里一目了然。

# ICA去伪影完整流程
from mne.preprocessing import ICA

# 1. 创建ICA对象
ica = ICA(n_components=20, random_state=42)

# 2. 拟合数据
ica.fit(raw, picks='eeg')

# 3. 自动识别眼电成分（需要EOG通道）
eog_indices, eog_scores = ica.find_bads_eog(raw, ch_name='EOG', threshold=3.0)

# 4. 手动检查并排除
ica.exclude = eog_indices
raw_clean = ica.apply(raw)

# 5. 可视化检查
ica.plot_components()
ica.plot_sources(raw)

核心流程总结

这四步的顺序很重要，我建议按这个流程走：

1. 带通滤波（0.5-45Hz）——先框定有效频段
2. 陷波滤波（50Hz）——干掉工频干扰
3. ICA去伪影——分离眼电、肌电等
4. 基线校正——最后做，避免滤波破坏基线

为什么ICA要在基线校正之前？因为ICA算法对数据的平稳性有一定要求，基线校正后的数据可能会破坏ICA的分解效果。这是我踩坑后总结出来的教训。

常见问题与避坑

问题	原因	解决方案
滤波后信号出现振铃	滤波器阶数过高或过渡带太陡	降低阶数，使用更平滑的窗函数
ICA成分无法分离眼电	数据长度不足或眼电幅度太小	增加数据长度（建议>2分钟），或提高眼电通道增益
基线校正后信号仍有漂移	高通滤波截止频率太低	将高通截止频率从0.1Hz提高到0.5Hz
陷波滤波后50Hz仍有残留	陷波带宽太窄	适当增加陷波带宽（如48-52Hz）