為什麼預處理至關重要

EEG 對神經和非神經電活動都高度敏感。雖然精心的實驗設計和數據收集可以最大限度地減少許多噪聲源，但某種程度的偽影干擾是不可避免的。預處理有助於研究人員將有意義的大腦活動與不必要的信號區分開來，同時提高後續分析的一致性。[1]

重要的是，預處理不應被視為修復劣質記錄的方法。相反，它是一個精煉通過完善實驗實踐收集的高質量數據的結構化過程。預處理期間做出的決定會影響後續的每個分析階段，因此透明度和一致性至關重要。

構建預處理流程

預處理通常是作為一系列步驟而不是孤立的程序來執行的。雖然個別工作流程因研究問題和分析方法而異，但建立一致的流程有助於確保以相同的方式處理每個參與者的數據。

研究人員應盡可能在開始正式分析之前確定其預處理策略。提前定義工作流程可以減少在查看結果後做出處理決定而引入偏見的風險。[1]

由於沒有單一的預處理流程適合每項研究，因此工作流程應以既有文獻、實驗設計、記錄方法和科學目標為指導。

過濾 EEG 信號

過濾通常是最早的預處理步驟之一。濾波器可以減少不必要的頻率成分，同時保留與研究問題相關的神經活動。

高通濾波器可以減少緩慢的信號漂移，而低通濾波器有助於抑制高頻噪聲。在適當的情況下，一些研究還採用陷波濾波器來減少電力系統的電干擾。[1],[5]

濾波器的選擇應謹慎對待。過度過濾可能會扭曲神經信號或改變事件相關反應的時間和幅度。研究人員應選擇支持預期分析的濾波器設置，同時避免不必要的信號修改。

識別和管理偽影

即使在仔細收集數據之後，某些記錄仍會包含在預處理期間需要注意的偽影。

研究人員通常首先通過目視檢查記錄來識別噪聲過大、通道不穩定或記錄中斷的時間段。自動質量評估工具可能有助於偽影檢測，但手動審查仍然是許多預處理工作流程的重要組成部分。[3]

根據污染的性質，研究人員可能會刪除個別試驗、拒絕噪聲通道、插值孤立電極或應用偽影校正技術。這些決定應遵循在分析開始前建立的預定義質量標準。

獨立成分分析

獨立成分分析 (ICA) 是將混合電信號分離為統計獨立成分最廣泛使用的技術之一。通過將記錄的 EEG 分解為底層信號源，ICA 可以幫助研究人員識別與眨眼、眼球運動、肌肉活動或其他非神經偽影相關的成分。[4]

一旦識別，偽影相關成分可在重建 EEG 信號之前被移除。雖然 ICA 可以顯著提高數據質量，但成功應用取決於適當的預處理、足夠的數據質量以及對所得成分的仔細解釋。

研究人員應記錄 ICA 的執行方式以及刪除了哪些成分，以支持透明度和可重複性。

將連續數據分段

許多 EEG 分析都集中在特定實驗事件周圍發生的神經反應。為了便於這些分析，連續的 EEG 記錄通常被分成較短的時間段，稱為時段 (epochs)。

每個時段都與代表刺激呈現、參與者反應或實驗期間另一個有意義事件的事件標記對齊。這種分段允許研究人員比較重複實驗條件下的神經活動，並為許多事件相關電位 (ERP) 分析奠定了基礎。[2],[6]

因此，在開始分段之前，準確的事件定時是必不可少的。

基線校正

神經活動是不斷變化的，即使參與者處於休息狀態也是如此。基線校正通過將每個實驗時段與緊接在感興趣事件之前的參考期進行比較，有助於解釋這些持續的波動。

從隨後的神經反應中減去該基線，使研究人員能夠更好地隔離與實驗事件相關的活動，同時減少由無關背景活動引入的變異性。[2]

基線選擇在整個研究中應保持一致，並應反映所選實驗範式的既定實踐。

質量控制與文檔記錄

預處理並不會在數據看起來更乾淨時結束。研究人員應仔細記錄每個處理步驟，包括過濾參數、偽影拒絕標準、插值程序、軟件版本和分析設置。

詳細的文檔記錄允許其他研究人員理解、評估和複製預處理工作流程，從而支持可重複性。透明的報告也使未來研究之間的比較更有意義。[1]

在所有參與者中保持一致的預處理方案可進一步減少變異性，並增強對所得分析的信心。

選擇用於 EEG 預處理的軟件

有多個軟件平台支持 EEG 預處理和分析，每個平台都提供不同的工作流程和分析功能。研究人員應選擇與其實驗設計、技術專長和報告要求相匹配的工具。

常見的預處理環境包括 EEGLAB、MNE-Python 和 FieldTrip，以及支持事件同步、數據可視化和導出到通用分析格式的商業採集軟件。[4],[5] 選擇具有互操作性的工具有助於簡化協作，同時支持透明且可重複的研究實踐。

關鍵要點

預處理通過減少噪聲、管理偽影和組織數據，同時保留有意義的神經信號，為科學分析準備原始 EEG 記錄。

過濾、偽影管理、獨立成分分析、分段、基線校正和質量控制都有助於在保持數據完整性的同時提高信號質量。

設計良好的預處理流程是一致的、透明的，並且適合研究問題。通過記錄每個處理步驟並在參與者之間應用標準化程序，研究人員增強了其發現的可靠性和可重複性。

繼續構建您的 EEG 研究

一旦準備好用於分析的 EEG 數據，研究人員就可以開始探索不同電極位置如何有助於理解大腦活動。

在下一本指南《選擇 EEG 電極和導聯》中，我們將檢查電極放置系統、通道選擇，以及記錄位置如何影響實驗設計和數據解讀。

參考文獻

[1] M. X. Cohen, Analyzing Neural Time Series Data: Theory and Practice. Cambridge, MA, USA: MIT Press, 2014.

[2] S. J. Luck, An Introduction to the Event-Related Potential Technique, 2nd ed. Cambridge, MA, USA: MIT Press, 2014.

[3] S. J. Luck and E. S. Kappenman, Eds., The Oxford Handbook of Event-Related Potential Components. New York, NY, USA: Oxford University Press, 2012.

[4] A. Delorme and S. Makeig, "EEGLAB: An open source toolbox for analysis of single-trial EEG dynamics including independent component analysis," Journal of Neuroscience Methods, vol. 134, no. 1, pp. 9-21, 2004.

[5] R. Oostenveld, P. Fries, E. Maris, and J. M. Schoffelen, "FieldTrip: Open source software for advanced analysis of MEG, EEG, and invasive electrophysiological data," Computational Intelligence and Neuroscience, vol. 2011, Article ID 156869, 2011.

[6] S. R. Williams et al., "Validation of Emotiv EPOC Flex saline for event-related potential research," PeerJ, vol. 9, e10777, 2021.