信号预处理：带通滤波、陷波滤波、ICA去伪影、基线校正、重参考
各位同学，咱们今天聊聊信号预处理。说实话，这是整个神经信号分析里最枯燥、但也最容易翻车的一步。我见过太多人，模型搭得花里胡哨，结果预处理随便搞搞，最后分析出来的东西根本没法看。嗯，咱们今天就把这块硬骨头啃下来。
为什么预处理这么重要？
你想想看，原始脑电信号有多脆弱。几十微伏的电压，混着眨眼、心跳、肌肉收缩，还有50Hz的工频干扰。说白了，你采集到的信号里，真正有用的脑电成分可能只占一小部分。预处理的目的，就是把那些乱七八糟的噪声去掉，把干净的神经信号捞出来。
我个人习惯把预处理比作「淘金」。带通滤波是筛子，把大块石头筛掉；陷波滤波是磁铁，把铁屑吸走；ICA是手工挑拣，把混进来的杂物一个个挑出去。每一步都有它的道理，咱们一个一个说。
带通滤波：划定你关心的频段
带通滤波，说白了就是只让某个频率范围内的信号通过。比如你做运动想象，关心的就是mu节律（8-12Hz）和beta节律（13-30Hz）。那你就设一个0.5-40Hz的带通，把低频漂移和高频噪声都干掉。
我在项目中遇到过一件事。有个同学做P300实验，滤波设了0.1-30Hz。结果发现P300的波形总是怪怪的，幅度特别小。后来一查，原来P300的成分有一部分在30Hz以上，被滤掉了。所以滤波参数不是随便设的，得看你研究的脑电成分是什么频段。
核心原则：带通滤波的上下限，要覆盖你关心的频段，同时尽量保留信号完整性。通常EEG用0.5-40Hz，ECoG可以到200Hz以上。
# 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('subject01_raw.fif', preload=True)
# 0.5-40Hz带通滤波
raw.filter(0.5, 40, fir_design='firwin')
# 检查滤波效果
raw.plot_psd(fmax=50)
小技巧：滤波器的阶数不要设太高。阶数越高，计算越慢，还容易产生振铃效应。我一般用4阶或8阶的Butterworth滤波器，效果不错。
陷波滤波：干掉50Hz工频干扰
工频干扰，就是电网的50Hz（国内）或60Hz（国外）噪声。这个噪声特别讨厌，因为它正好落在脑电信号的频段里。你想想看，50Hz附近有gamma节律，如果工频干扰没滤干净，gamma分析就全废了。
陷波滤波就是专门干这个的。它只衰减一个很窄的频率范围，比如49-51Hz，其他频率基本不受影响。我曾经见过有人用带通滤波来滤工频，结果把gamma节律也滤掉了一大半。嗯，这是典型的「杀敌一千，自损八百」。
# 陷波滤波示例
raw.notch_filter(50, fir_design='firwin')
# 也可以同时滤50Hz和100Hz的谐波
raw.notch_filter([50, 100], fir_design='firwin')
注意：陷波滤波会损失掉陷波频段内的信号。如果你的研究涉及gamma频段（30-100Hz），要特别小心。我建议先看看工频干扰的强度，如果不大，可以不做陷波，用ICA去伪影来处理。
独立成分分析(ICA)：去伪影的利器
ICA，全称独立成分分析。这东西听起来高大上，其实原理不复杂。它假设你采集到的信号是多个独立源信号的混合。比如脑电信号、眼电信号、肌电信号，它们混在一起。ICA就是把这些源信号一个个拆分开。
我刚开始用ICA的时候，总觉得它是个黑盒子。后来做多了才发现，ICA分解出来的成分其实很有规律。眨眼伪影通常出现在前额导联，成分的拓扑图是前额区域高幅值；心跳伪影则出现在颞叶导联附近，成分的拓扑图有规律的心跳节律。
# ICA去伪影示例
from mne.preprocessing import ICA
# 初始化ICA
ica = ICA(n_components=20, random_state=42)
# 拟合数据
ica.fit(raw)
# 绘制成分拓扑图，手动识别伪影成分
ica.plot_components()
# 假设第1、3个成分是伪影，标记并去除
ica.exclude = [1, 3]
raw_clean = ica.apply(raw)
避坑指南：我曾经犯过一个错误——把所有看起来像噪声的成分都去掉了。结果发现，有些成分虽然看起来像噪声，但其实是脑电信号的一部分。比如眨眼伪影去除后，前额叶的theta节律也变弱了。所以ICA去除伪影，一定要结合拓扑图和时域波形来判断，不要一刀切。
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trial的基线拉平。你想想看，不同trial的起始电位可能不一样，有的高有的低。如果不做基线校正，叠加平均的时候就会产生偏差。
具体做法很简单：取刺激前的一段时间（比如-200ms到0ms）作为基线，计算这段时间的平均幅值，然后从整个trial中减去这个平均值。这样每个trial的基线就都归零了。
# 基线校正示例
# 假设epochs是分段后的数据
epochs = mne.Epochs(raw, events, event_id, tmin=-0.2, tmax=0.8, baseline=(-0.2, 0))
# 也可以手动校正
epochs.apply_baseline(baseline=(-0.2, 0))
经验之谈：基线时间窗口的选择很重要。太短了，噪声影响大；太长了，可能包含刺激前的准备电位。我一般选-200ms到0ms，对于大多数ERP成分都够用。
重参考：选对参考，事半功倍
重参考，就是改变信号的参考点。EEG信号是差分信号，记录的是两个电极之间的电位差。所以参考电极的选择，直接影响你看到的波形。
常见的参考方式有几种：
- 平均参考：用所有电极的平均值作为参考。优点是分布均匀，缺点是如果某个电极有噪声，会污染所有电极。
- 双极参考：用相邻两个电极的差值。优点是空间分辨率高，缺点是会损失全局信息。
- 参考电极标准化技术(REST)：用数学方法估算真正的零电位参考。我个人比较推荐这个，尤其是做源定位的时候。
# 重参考示例
# 平均参考
raw.set_eeg_reference('average', projection=False)
# 双极参考（以Cz为参考）
raw.set_eeg_reference('Cz')
# REST参考（需要安装mne_rest）
# raw.set_eeg_reference('REST')
注意：重参考的顺序很重要。我建议先做滤波和ICA去伪影，最后再做重参考。因为滤波和ICA可能会改变信号的相位关系，影响参考效果。
知识体系总览
下面这张图，是我自己整理的预处理流程。你可以把它当作一个检查清单，每一步做完都打个勾。
好了，信号预处理这块就讲到这里。每一步都有它的坑，但只要你按照流程来，多检查中间结果，基本不会出大问题。记住，预处理做得好，后面的分析才能站得住脚。
公众号:蓝海资料掘金营，微信deep3321