★ FEATURED ARTICLE 1. 脑电信号到底是什么从神经元的电活动说起1.1 脑电不是“读心术”是大脑皮层的场电位总和我在实验室带新人的时候第一堂课必问一个问题你以为脑电设备记录到的是某个神经元在“想什么”吗答案当然不是。脑电信号EEG本质上是大脑皮层大量锥体神经元同步突触后电位在头皮上的空间总和。简单说就是千万个神经元一起放电时在头皮表面形成的微弱电场变化。这个信号极其微弱幅值通常只有微伏级别比环境噪声还低好几个数量级所以采集和预处理都绕不开“微弱信号提取”这套思维。很多人会把EEG和功能磁共振fMRI作比较。fMRI看的是血氧代谢的间接信号时间分辨率差到秒级EEG直接记录神经电活动时间分辨率能到毫秒级这也是它在认知神经科学和脑机接口领域不可替代的原因。但代价就是空间分辨率低而且极其容易被各种噪声污染。这也是为什么预处理环节必须谨慎对待——后面所有统计分析、特征提取、模型训练都是建立在“信号干净”这个前提上的。1.2 频段划分是理解脑电的第一把钥匙认识脑电信号绕不开频段划分。临床上和科研中习惯把EEG按频率分成几个带频段频率范围生理意义常见场景Delta0.5-4 Hz深睡眠、病理状态睡眠分期、昏迷评估Theta4-8 Hz记忆编码、冥想、困倦认知任务、ADHD研究Alpha8-13 Hz清醒静息、放松状态闭眼静息、注意力研究Beta13-30 Hz主动思考、运动执行运动想象BCI、警觉度监测Gamma30-100 Hz高级认知整合、特征绑定记忆匹配、跨模态加工这个表看着简单但初学者最容易忽略一个问题频段边界不是绝对的。我见过不少学生把Alpha严格定义在8-13Hz然后画频谱图发现峰值在7.8Hz就一脸困惑。实际上个体差异很大有人Alpha峰值能到10Hz有人偏到7Hz所以预处理时滤波器参数和时间窗长度一定要根据你自己的数据特征去调整别死套教科书数值。另外一个高频踩坑点采样率决定了你能分析的频段上限。根据奈奎斯特定理可分析的最高频率是采样率的一半。你做BCI用的设备如果只有250Hz采样率那Gamma频段基本不用指望了能靠谱分析的也就是到100Hz左右。我之前用某国产便携设备标称采样率500Hz可实际用正弦校验信号测出来有效带宽只有120Hz这种硬件层面的坑会直接影响预处理方案设计。1.3 从头皮到数字信号的完整链条完整理解脑电记录链路对后续预处理非常有帮助。整体链条是突触后电位 → 容积传导到头皮 → Ag/AgCl电极或干电极捕获 → 差分放大 → 模数转换 → 存储为数字信号。这个流程里每步都埋着干扰源头皮和电极之间的接触阻抗会产生运动伪迹差分放大器的共模抑制比有限工频干扰就混进来了模数转换的量化精度不够微弱信号可能被量化为阶梯状。我反复跟学生强调预处理不是在数据采集完成后才开始而是在你选电极、贴电极、布线的瞬间就已经开始了。保持电极阻抗低于5kΩ让受试者坐稳别乱动把电源线和信号线分开走线这些“土办法”往往比任何高级算法都管用。2. 脑电里的那些“杂质”伪迹分类与识别2.1 生理伪迹的四大家族预处理的核心任务说穿了就两个字去伪。要识伪先得知道伪迹从哪来。我按来源把常见伪迹分成四类这个分类框架比单纯按波形辨认更实用因为处理策略完全不同。第一类是眼动和眨眼伪迹。眼睛是一个巨大的电偶极子角膜带正电、视网膜带负电眼球的任何转动都会在额区电极产生显著的电压波动。眨眼产生的典型波形是额区大幅值的瞬时偏转频谱能量集中在低频1-4Hz附近经常会和Delta频段的真实脑电混在一起。眼动的特征则是缓慢的基线漂移前额叶电极最明显。处理这类伪迹最有效的方法是ICA但前提是你已经做好了数据准备。第二类是肌电伪迹。这是我最头疼的一种。肌电由头颈部肌肉收缩产生频谱范围特别宽能覆盖从20Hz到几百Hz而且幅值不定在时域上表现为高频毛刺。带牙套、耸肩、说话、吞咽都会产生肌电干扰。肌电最难处理的地方在于它的频谱和Gamma频段真实脑电高度重叠简单滤波会连真实信号一起干掉。唯一的硬办法是让受试者放松配合以及在epoch剔除时狠狠心删掉坏段。第三类是心电伪迹。心电信号虽然主要在心胸部但容积导体效应会让心电图出现在头皮电极上尤其是后枕区和乳突参考电极附近。它的特征很有规律与心跳同步的周期性波形频率约1-1.5Hz。由于脑电分析很少关注这个频段大部分情况用高通滤波就能压下去。但是如果你做的是睡眠EEG或者低频慢波研究心电伪迹就不能轻易滤除得用ICA或专门的模板相消算法。第四类是电极伪迹和运动伪迹。电极与头皮接触不好导致阻抗漂移会在数据里产生大幅缓慢漂移或者不连续的阶跃跳变连接线晃动则会产生尖峰状干扰。识别这类伪迹有个小技巧如果某一个通道出现极其离谱的幅值且与相邻通道完全不同步大概率是电极问题。这类伪迹靠滤波器解决不了只能做坏导识别、插值或剔除通道。2.2 非生理干扰工频和直流漂移生理伪迹之外还有两类非生理干扰几乎每次实验都躲不掉。工频干扰50Hz国内标准60Hz在美国等国家来自电网特征极其鲜明在50Hz处有一个非常狭窄的高耸谱峰。传统的陷波滤波器就能应付就是中心频率50Hz、窄带宽比如±2Hz的一个带阻滤波器。但要注意陷波滤波会在时域产生振铃效应如果数据后面要做高精度时频分析这个振铃可能会污染事件相关电位的时间窗口。直流漂移来自电极极化、放大器温度漂移和皮肤电位变化表现为基线的整体缓慢上下浮动。高通滤波是标准解法但高通截止频率的选择是个大学问。选低了去不掉漂移选高了会连带削弱慢波成分尤其是事件相关电位里的早期慢成分。我个人经验是做ERP的研究高通截止频率设0.1Hz比较稳妥做静息态频域分析可以设到0.5Hz但做慢波或连通性研究宁可后面用ICA去漂移也不要用过高的高通截止。2.3 伪迹识别的实操眼光识别伪迹不光靠技术还得靠经验和眼光。我建议接触EEG数据的人花时间做一件事把原始数据按通道拓扑图多滚几遍逐段看标出每一段你觉得不对劲的地方然后对照IC成分和频谱分析结果去验证。这里有个好用的小习惯先看总体波形“气质”。干净数据的背景节律是平稳有规律的Alpha节律在枕区能看出明显的纺锤状起伏被污染的数据通常看起来“躁动”背景节律被噪声压制要么是高频毛刺覆盖了一整段要么是低频漂移把整段基线拉出基线框。看得多了你甚至不用看具体数值扫一眼屏就能判断这段数据能不能用。这个本事没有捷径就是多看、多标、多对比。3. 预处理管线逐环节拆解从原始数据到干净数据3.1 预处理管线总览一个标准流程长什么样我习惯把EEG预处理比作做饭前的备菜环节。食材再新鲜不摘不洗不切下锅就是灾难。EEG数据再优质不预处理就进统计分析结果也是灾难。下面是我常用的标准预处理流程适用于大部分ERP和时频分析任务原始数据导入 → 剔除无用电极/通道定位 → 滤波高通0.1Hz 低通40-100Hz 陷波50Hz → 坏导识别与插值/剔除 → 分段 → 基线校正 → ICA分解与伪迹分量剔除 → 剩余坏段剔除 → 重参考 → 保存干净数据。注意我这里把重参考放在了靠后的位置。很多教材把重参考放在滤波前但实际工作中如果参考电极上有显著伪迹先重参考会把伪迹扩散到所有通道我吃过这个亏以后都改成后置了。后面会细说理由。3.2 滤波频段参数选择背后的考量滤波是大部分预处理流程的第一步。高通滤波去除基线漂移和直流偏移低通滤波去除高频噪声陷波滤波针对工频干扰。高通截止频率的选择我前面已经提过一嘴这里展开说。如果你关心的是ERP成分如P300、N400这类经典成分0.1Hz高通不会影响它们但如果你的实验涉及慢皮层电位或者CNV这类需要捕捉缓慢变化的成分0.1Hz可能都已经吃掉了一部分信号。这时候要么不滤波要么用0.01Hz但代价是基线漂移就很难压制需要靠后面ICA兜底。低通截止频率主要取决于你的分析目标。只做经典的ERP成分分析40Hz足够做频域分析想看Gamma至少保留到80-100Hz有肌电干扰特别重的数据可以稍微压低一点但不要低于30Hz否则会削弱真实的高频脑电活动。陷波滤波器要谨慎。市面上的滤波函数如MNE-Python的notch_filter默认带宽不太宽。但我要提醒的是陷波滤波器的阶数越高对邻近频率的相位扭曲越严重。之前有个做P50感觉门控研究的朋友陷波滤波后早期成分的时间特性被扭曲了排查了很久才发现是滤波的锅。如果你后面要做脑磁图或源定位级别的分析强烈建议不要在预处理阶段就做陷波而是留到最后的局部提取阶段逐段处理。3.3 坏导识别与插值缺失数据该不该补坏导的问题在脑电领域比在其他生理信号里更常见。电极松脱、阻抗升高、盐桥短路都会让某个通道完全失灵或者输出畸形信号。我的判据有三条幅值超过其他通道中位数5倍以上的、通道频谱与其他通道同类节律完全不一致的、梯度异常剧烈且频繁跳变的。识别出坏导后两个选择删除或者插值。删除简单粗暴但会破坏通道覆盖的完整性影响后续的源定位和拓扑图绘制插值是统计意义上最稳妥的做法基于周边电极的信号按距离加权重建。MNE-Python里的interpolate_bads函数采用球面样条插值效果不错。但插值只适用于少数通道有问题一般不超过总数10%的情况如果大片电极都废了老实重采比插值靠谱得多。3.4 分段与基线校正时间锁定的逻辑分段就是根据事件的刺激标记把连续数据切成以事件为中心的小段。典型的ERP分段是刺激前200ms到刺激后800ms。基线校正则用刺激前那段时间的均值把整段数据的基线平移到零点。这里有个很多初学者容易忽略的点基线校正的基准期不能包含伪迹。如果刺激前200ms里有一个眨眼基线均值会被拉偏整段数据的ERP波形就全歪了。所以严格的操作顺序应该是分段 → 粗水平坏段剔除 → 基线校正 → ICA → 精细坏段剔除。我见过不少教程把基线校正放在分段后立刻做虽然方便但风险也在于此。3.5 重参考的细节参考电极是个有争议的话题在所有预处理步骤里重参考大概是最容易引发争论的。原因是头皮记录到的所有电压都是相对值参考电极位置决定了你看到的数据长什么样。传统的双侧乳突参考用得最多因为远离主要兴趣脑区但问题在于乳突区域也有真实的神经活动尤其是它离枕叶视觉皮层不算太远这会让视觉实验里参考电极自身的活动污染所有通道。常见方案有三种全脑平均参考、双侧乳突参考、以及当前源密度估计法CSD。平均参考适合高密度脑电且全头覆盖均匀的情况CSD属于空间滤波能消除容积传导效应但对分析前的高密度要求很高。我个人的原则是如果是64导以下常规蒙太奇双侧乳突参考够用如果是128导以上高密度系统平均参考加CSD是更好的组合。还有一点重参考在ICA之前还是之后我的经验是放在ICA去除伪迹之后。原因前面提过如果参考电极本身被污染前置重参考会把污染扩散到所有通道反而增加后续去伪的难度。4. ICA去伪迹实战原理、参数与分量识别4.1 ICA在脑电里到底做了什么鸡尾酒会问题的变体独立成分分析ICA解决的是盲源分离问题类比一下就是鸡尾酒会里麦克风录到多个人同时说话的声音ICA能从混合录音里把不同人的声音分开。EEG里的情况差不多头皮上每个电极记录到的信号都是大脑多个源和多种伪迹源的线性混合ICA的任务就是把这个混合矩阵解开。这个过程是在用统计独立性作为线索。干净的脑电活动和眨眼、心电等伪迹在统计上大概率是相互独立的所以ICA可以把它们分到不同成分里。然后你把那些识别为伪迹的成分置零再投影回电极空间就得到了“去伪迹但保留脑电”的干净数据。很多人以为ICA会无损保留脑电信号这其实是个误解。ICA分解和重构本身有信息损失的风险尤其是当伪迹源和脑电源独立性假设不成立的时候。所以你预处理完以后一定要做对比检查去伪迹后ERP波形的形态是否合理、保留的数据时长是否足够、有没有出现系统性偏差。4.2 分解前的参数配置有多少成分能用MNE-Python里跑ICA有两个核心参数要关注n_components和method。n_components决定分解出多少独立成分默认情况下等于数据主成分分析后的保留维数。n_components设置太高会把噪声分解成大量无意义的成分增加识别伪迹的难度设置太低可能会把伪迹和脑电源混在一个成分里删也不是不删也不是。我的经验是64导数据一般保留30-40个成分128导数据保留50-80个。具体数值可以通过viewer界面观察成分的方差解释率来调整保留的成分累计解释方差达到95%以上基本够用。method的选择上extended-infomax和fastica是两种常用算法。前者对处理带有亚高斯和超高斯分布混合的脑电信号有优势运算慢一点但效果稳定后者速度快但有时会陷入局部最优。我现在主推extended-infomax尤其是有明显眨眼伪迹的数据集实用效果要好得多。4.3 分量识别实操波形、拓扑图、频谱三位一体判断识别哪些成分是伪迹是ICA环节最考眼力的地方。我的判断框架是三维一体看波形时序是否与事件相关、看拓扑图分布是否符合生理合理、看频谱形态是否符合伪迹特征。眨眼成分有三个典型特征波形在时间序列上有周期性的大幅偏转与眨眼记录同步拓扑图集中在额区且呈现明显的前后梯度频谱在低频段能量极高随频率升高快速衰减。肌电成分的特征是拓扑图分布在头颈部边缘电极频谱在宽频段都有抬升。心电成分的周期性特别强和心跳频率同步拓扑图通常局限在某个局部区域。我曾在Processing一个包含几十名被试的数据集时发现一个被试的ICA拓扑图怎么都不对劲额区的成分像眼眨但波形时序又不对劲频率也不符合。后来打开被试视频记录才发现那个被试一直有轻微的嚼口香糖习惯——这是一种叠加了肌电和运动的混合伪迹单靠ICA分量识别很容易漏掉。所以ICA判断前务必结合采集时的行为记录别只盯着算法输出看。4.4 剔除时的分寸删多了伤信号删少了留噪声ICA伪迹剔除最大的争议在于“力度”。删得不够伪迹残留后续ERP波形或者时频分析会被污染删得太多把脑电源也一并删除会导致统计功效下降甚至出现虚假效应。我给自己订了几条纪律第一单个被试删除的成分数不超过总成分数的三分之一第二如果某个成分的拓扑图里有明确的脑区梯度即使波形有点像伪迹也要谨慎这很可能是脑电源与伪迹源存在弱相关第三删除前先保存一份未剔除的备份数据方便回头严格对照第四在最终分析报告里精确记录每个被试的删除数量和成分标签便于他人复现和审稿时需要。5. 常见问题与排查技巧实录5.1 滤波和ICA的执行顺序到底该怎样这是预处理领域最经典的争议之一。支持先滤波的人认为滤波能提高ICA的分解质量支持先ICA的人认为不滤波的原始数据保留了更完整的信息ICA能更准确地分离脑电源和伪迹源。我实测过两种流程的效果同一批包含重眼眨和肌电干扰的数据先高通0.1Hz滤波再ICA和完全不滤波直接ICA在眨眼和心电伪迹去除效果上没显著差异但在去肌电方面先滤波的方案会更彻底。原因是肌电伪迹在宽频段都有能量先做低通40Hz滤波可以先把30-40Hz以上的高频肌电削掉让ICA更容易识别残余的近似肌电成分。所以我现在的默认流程是先做温和的高通0.1Hz或0.5Hz再做低通按分析需求40-100Hz再做陷波如果用然后分段、基线校正最后ICA。当然如果你做的是纯静息态数据分析不关心事件相关电位折叠为先ICA后滤波也可以但一定要在论文方法部分把流程写清楚。5.2 数据质量太差预处理能救回来吗这是我在答疑时被问得最多的问题之一。先说结论预处理不是万能的。如果一个被试的数据里有超过三分之一通道呈坏导状态、全程剧烈运动、或者大量伪迹时段占了总时长的一半以上预处理做得再精细也不可能“救活”这些数据。该剔除被试就剔除该重采就重采别硬撑。判断一个被试数据是否可用我有个简单经验先看总时长的有效占比。如果去除坏段后剩余数据不到原来的60%不管后面分析结果多好看我都不会用。尤其是群体水平分析一个烂数据点会把整个统计结果带偏。合理的数据质控是预处理的价值延伸而不是教条。5.3 预处理后ERP波形还是乱从五个角度排查有时候你filter了、ICA了、坏段也剔了ERP波形还是乱七八糟这种时候按顺序排查第一事件标记是否正确对齐。有时采集软件里的标记延迟或偏移会让所有ERP波形出现系统性相位错位。第二基线窗长度是否合适。如果基线窗设太长包含了一部分刺激诱发的活动波形会出现意外偏转。第三是否有残留眨眼。看额区电极如Fp1/Fp2的波形如果在刺激后100-300ms出现大幅偏转多半是没删干净的眨眼成分需要回溯ICA阶段。第四滤过的信号是否有相位失真。IIR滤波会产生非线性相位会改变ERP成分的相对时程有条件就用filtfilt做零相位滤波。第五被试个体差异。有人就是没有明显的P300或者N400这不一定是你预处理的问题可能是实验设计或者被试人群本身的问题。5.4 工具链推荐MNE-Python还是EEGLAB脑电预处理最常用的两个工具是MATLAB的EEGLAB和Python的MNE-Python。EEGLAB优势在于图形界面交互方便、社区插件生态丰富很多老牌实验室都在用MNE-Python的优势在于脚本化可复现、和机器学习库打通方便、处理大数据集时效率高。我个人的建议是如果是纯做教学和快速探索EEGLAB很合适点几下鼠标就能看到结果如果是要做严谨的批量处理、需要精确控制每一步参数、或者后面接机器学习/深度学习那就MNE-Python。我现在默认工作流都是MNE-Python脚本驱动从数据导入到预处理到导出一条流水线跑完所有参数都写死在配置文件中谁来看都能复现。6. 一套可复用的实战脚本示例直接在MNE-Python里打开你的原始数据按下面的流程跑。这个脚本我根据日常项目经验总结参数按默认场景设置实际使用时根据分析目标调整。import mne import matplotlib.pyplot as plt # 1. 读取原始数据 raw mne.io.read_raw_brainvision(subj01.vhdr, preloadTrue) # 2. 通道设置与定位 raw.drop_channels([EOG1, EOG2, ECG]) # 移除额外通道或用 set_channel_types 设为EOG raw.set_montage(standard_1020) # 3. 滤波 raw.filter(0.1, 40, methodfir, phasezero-double) raw.notch_filter(50, pickseeg) # 4. 坏导识别人眼判断后填入 bad_all [Fp1, O2] raw.info[bads] bad_all # 5. 分段和基线校正 events mne.events_from_annotations(raw)[0] epochs mne.Epochs(raw, events, tmin-0.2, tmax0.8, baseline(-0.2, 0), preloadTrue) epochs.drop_bad(reject{eeg: 150e-6}) # 幅度阈值剔除150uV可调 # 6. ICA去伪迹 ica mne.preprocessing.ICA(n_components30, methodextended-infomax, random_state42) ica.fit(epochs) # 查看各成分拓扑图和时序人工标记伪迹成分然后 ica.exclude ica.exclude [0, 1, 2] # 按观察结果修改 epochs_clean ica.apply(epochs) # 7. 重参考 epochs_clean.set_eeg_reference(average) # 8. 保存 epochs_clean.save(subj01_clean-epo.fif, overwriteTrue)这个流程看起来简单但里面每个数字都值得深究一下。n_components30是因为64导数据去掉坏导后主成分分析保留到能解释95%以上方差的维度reject阈值150uV是我尝试比较后既能保留数据量又能有效去伪的折中。这个脚本能帮你快速跑通基本流程完整参数和编程技巧可以在这个版本之上迭代。7. 最后一点个人体会做了这么多年脑电数据分析我越来越觉得预处理不是“机械流水线”而是一套需要判断力的工作。同样一批数据不同人处理出来的结果可能差异很大原因往往不在算法而在判断坏导到底该剔除还是插值、ICA成分究竟是不是伪迹、滤波参数该紧还是该松——这些决策没有绝对对错只有权衡。我的经验法则是宁可保守一点也不做激进处理。信号处理从来都是先保证信号不失真再去追求信噪比提升。给数据留点瑕疵也比把真实神经活动削掉要强。另外再分享一个小习惯每次处理数据前先把原始数据里随机选两三段从头到尾看图一遍不放过任何细节。养成这个习惯以后你写的预处理参数就会越来越贴合自己的数据而不是照抄别人的代码。数据很讲“脾气”摸清了它的脾气后面的分析步骤才心里有底。
阅读完成 · 觉得有帮助？
