腦電圖透過放置在頭皮上的電極來捕捉神經元產生的電活動。但實際上到達那些電極的訊號很少是乾淨的。
在所有這些雜訊之下，研究人員真正關心的實際神經訊號通常很微弱，且很容易被淹沒。訊號處理是一門不可或缺的科學學科，它使物理數據能夠轉化為可用於現代分析和技術的、可解釋的格式。
什麼是訊號處理？
訊號處理的學科涵蓋了將物理事件轉換、分析和解釋為可測量數據的過程。藉由將數學框架應用於捕獲數據串流，研究人員可以有效地過濾掉環境干擾，並專注於主要關注的參數。
這種方法是跨各個領域的現代科學探究的核心，其中包括對複雜人類生物功能的研究。
如何定義數位訊號處理
數位訊號處理代表將離散時間計算應用於已從原始模擬狀態轉換而來的訊號。
這種精煉是透過使用旨在高效管理計算負載的特定算法和處理器來實現的。科學家利用這種方法來分離生物訊號，這對於涉及數據完整性對研究準確性至關重要的神經科學領域至關重要。
訊號處理的核心目標
在其實用性的巔峰時期，訊號處理致力於從測量數據中提取最大數量的有意義資訊，同時將噪聲的影響降至最低。藉由優化信噪比，研究人員得以恢復原本會被遮蔽的可靠數據點。
這一目標推動了現代 EEG 實踐中所使用的先進診斷工具的開發。
訊號處理的類型
訊號處理大致根據輸入訊號的性質和操作所應用的方法進行分類。物理世界存在於連續狀態中，而電子設備通常依賴量化的數據塊來執行操作。
區分這些類別是為任何給定實驗設置選擇合適數學視角的基礎。
模擬與數位訊號處理
模擬系統直接透過電路元件操作連續的電波形，在沒有量化開銷的情況下保持高度的保真度。雖然模擬系統提供即時響應，但它們缺乏數位架構所特有的靈活性和可編程性。
隨著標準 10-20 系統協定的過渡，數位處理已成為在各種研究環境中保持可比數據的主要標準。
什麼是數位訊號處理？線性與非線性系統
數位訊號處理採用算法將數據精煉為適用於計算建模的格式，為訊號調整提供受控環境。
了解一個系統是否呈線性表現，對於預測輸出將如何響應變化的輸入至關重要，因為疊加原理僅適用於線性操作。相反地，非線性系統引入了複雜的轉換，可以捕捉通常被更簡單模型忽略的微妙動態。
系統類型 | 輸入-輸出關係 | 主要特徵 |
|---|---|---|
線性 | 常數比例關係 | 適用疊加原理 |
非線性 | 變動動態 | 高階諧波產生 |
時不變 | 固定結構響應 | 參數的時間穩定性 |
透過表徵這些行為，技術人員可確保在應用診斷濾波器之前，數學模型能準確反映輸入訊號的實際動態。
訊號處理中的關鍵概念與技術
此領域的技術精通需要對數據準備和數學轉換有深入的理解。處理管道中的每個步驟都刻意降解或增強特定的訊號成分，以準備最終輸出供人類解讀或機器學習演算法使用。
採樣與量化
採樣涉及在特定間隔捕獲數據點，形成離散表示的基礎。量化隨後進行此步驟，將這些離散時間點映射到代表訊號幅度的特定數值。
如果這些步驟未精確校準，可能會發生混疊，導致分析的波形出現顯著失真。
濾波
濾波起到了去除不屬於預期訊號的無用頻率成分的關鍵作用。根據帶通要求，濾波器可能會精確地去除高頻肌肉噪聲或低頻漂移。
此過程本質上是將感興趣的神經活動與更廣泛的環境背景干擾分開，從而產生更乾淨的視覺軌跡。
轉換（例如，傅立葉轉換）
轉換在不同的域之間轉移數據，以揭示隱藏在時間噪聲中的週期性結構。在此過程中常用的方法包括：
傅立葉轉換，用於將訊號分解為其組成的頻率成分。
小波分析，用於同時在時間和頻率上定位瞬態事件。
希爾伯特轉換，用於確定複雜訊號的瞬時包絡和頻率。
Z轉換，用於研究離散時間系統和穩定性。
這些數學映射允許工程師從特定视界可視化數據，以識別在標準時域表示中完全看不見的特定病理或模式。
什麼是 EEG 預處理管道？
預處理管道本質上是在任何分析開始之前，應用於連續原始 EEG 數據的標準化操作序列。雖然各個實驗室和軟體套件之間的確切順序和特定方法有所不同，但大多數管道都共享一個共同的骨幹：
過濾掉不必要的頻率
將訊號重新參考到中性的電基準線
識別並處理偽跡
將連續記錄切片成與特定事件綁定的短片段，這一過程稱為分段（epoching）
順序的重要性次於這條鏈條中的每一個決定都會改變最終結果的事實。一項由 Robbins 等人主導的 2020 年基準研究發現，即使是聲稱遵循已建立的最佳實踐指南的研究，在代碼中實際實施這些指南的方式上也顯示出相當大的差異。
同樣，Bertazzoli 等人在 2021 年的研究表明，在經顱磁刺激結合 EEG（TMS-EEG）研究中，預處理管道的選擇研判對產生的腦部響應波形有顯著影響，甚至在對同一受試者進行兩次測試時改變了這些結果的可靠性。
濾波：如何分離真實的腦部訊號
原始 EEG 包含兩大類不必要的頻率內容。
在慢端，電極下方積聚的汗水，或電極本身相對於頭皮的輕微移動，會導致電壓漂移悄悄滲入訊號。在快端，肌肉張力和來自附近設備的電磁干擾會引入與神經元放電無關的高頻噪聲。
濾波的作用是去除這些頻率範圍，僅保留真實大腦產生訊號最強的頻帶。
最基本且被廣泛應用的步驟是高通濾波，它去除了大約 0.5 到 1 Hz 以下的慢漂移。根據分析類型，研究人員還可能應用低通濾波器或將兩者結合為帶通濾波器，在研究事件相關電位（ERP，大腦對特定刺激的特徵電壓響應）時，通常將數據限制在 1 到 40 Hz 範圍內。
使濾波特別值得注意的是它提供了多麼一致的幫助。在 2023 年，Arnoud Delorme 測試了廣泛的自動化預處理修正，發現大多數要麼沒有可測量的效果，要麼主動降低了數據質量。高通濾波是少數能可靠提高整體結果的兩個步驟之一。
來自 哈佛大學的研究人員 同樣將濾波視為其 HAPPE 管道的基礎、不可妥協的組成部分，用於處理高偽跡的發育數據。簡而言之，濾波接近於一個安全的默認設置。而對於隨後的每一個步驟，情況並非如此。
重新參考：設置電零點
EEG 從不測量絕對電壓。它測量兩點之間的差值，即活性電極與參考點之間的差值。
原始記錄通常是相對於收集過程中實際使用的任何參考電極進行存儲的，通常是單一位置，如耳後的乳突骨或頭頂的 Cz 電極，這些位置由用於標準化電極放置的 10-20 系統定義。那個原始參考點在某種程度上是任意的，因此重新參考在數學上重新計算每個通道相對於新的、理論上更中性點的電壓，例如所有電極的平均值或雙乳突的組合訊號。
重新參考的重要性源於容積傳導，它導致大腦的電活動通過周圍的神經組織和液體擴散，確保單個神經事件幾乎在每個頭皮電極上都有記錄。由於這種擴散，改變參考點可以改變所記錄活動的表觀形狀、幅值，甚至是統計顯著性，即使底層大腦活動本身沒有任何改變。
這是 EEG 導聯（montages）設計選擇背後的核心概念，包括像平均參考或參考導聯等方法，每種方法對相同的底層大腦訊號進行了不同的架構界定。
壞通道檢測與插值
在任何多電極記錄中，不可避免地會有少數通道產生不良訊號。通道可能由於連接鬆動而走平線，或者可能由於與頭皮接觸不良而變得噪聲過大。如果不進行修正，這些壞通道會扭曲依賴於比較整個頭皮訊號模式的分析。
標準的修正方法包括識別這些問題通道，暫時將它們從數據集中移除，然後通過插值重組其缺失的數據，本質上是根據其正常鄰近通道的活動，估算該電極可能記錄到的內容。這為隨後的分析步驟恢復了完整的頭皮圖，而不會讓受到干擾的通道使結果產生偏差。
這是研究者 Arnaud Delorme 確定的第二個能持續帶來益處的步驟。除了高通濾波外，壞通道插值是測試中極少數不會降低數據質量的修正方法之一。
與濾波相結合，它在該研究中形成了唯一超越單純濾波的管道配置。在評估的多個自動修正中，這種配對作為一個相對安全和有用的程序脫穎而出。
原始 EEG 中的偽跡問題
除了電極層面的問題外，EEG 記錄還受到參與者自身身體產生的生物偽跡的干擾：
眨眼會在額部電極產生巨大的偏轉
眼球運動會產生階梯狀的電壓偏移
下頜和額部肌肉活動會引入高頻噪聲
突然的動作會導致突發性的多通道電壓偏移
對受干擾片段的傳統應對方式是直接丟棄它們，拒絕出現偽跡的任何試驗或時間窗口。當參與者靜坐且偽跡罕見時，這種方法效果相當好。但在偽跡是常態而非特例的人群中，這就變得不那麼可行了。
HAPPE 強調，隨著 EEG 研究向更高密度的電極陣列和更長的記錄發展，手動檢查並排除壞片段變得難以為繼，而且手動判斷會引入其自身的主觀性。
Leach 等人 對所涉及的風險進行了解釋：兒童 EEG 記錄常態性地丟失大量可用數據，僅僅是因為幼兒中運動和眨眼偽跡如此頻繁。當數據如此珍貴時，因為一次眨眼而丟棄整個試驗是一個代價高昂的解決方案。
獨立成分分析 (ICA) 用於偽跡移除
獨立成分分析（ICA）提供了一種比全面拒絕更具選擇性的替代方案。
從概念上講，ICA 是一種盲源分離技術。它獲取在每個頭皮電極上記錄的混合訊號，並在數學上將其拆解為一組統計上獨立的成分。
其中一些成分對應於可識別的偽跡模式，例如眨眼或肌肉張力的特徵。其他成分對應於大腦活動的模式。一旦識別出與偽跡相關的成分，就可以將其移除，並將剩餘的乾淨成分反向投影到通道數據中，理想情況下在丟棄干擾信息的同時保留真實的大腦訊號。
障礙在於，手動檢查每個成分以決定它是反映眨眼還是大腦皮質活動是緩慢且本質上主觀的。這催生了諸如 ADJUST、ICLabel 和 MARA 等自動分類器，旨在通過演算法一致地做出該判斷。
關於此方法效果如何的證據是好壞參半，而非一致樂觀。
Arnaud Delorme 發現，基於自動 ICA 的眼部和肌肉成分篩除未能可靠地增加 ERP 數據中統計學顯著通道的百分比，這意味著它沒有帶來明確、可靠的改善。
Robbins 等人在 17 項研究中比較了兩種基於 ICA 的方法，即 LARG 和 MARA，發現雖然結果的總體結構看起來相似，但仍然出現了顯著差異，特別是在低頻光譜特徵以及清洗後數據中残留多少與眨眼相關的殘差方面。
在更令人鼓舞的一面，Leach 的團隊展示了專門針對兒童大地測量網記錄進行調整的 ADJUST 算法的改進版本，與原始 ADJUST 算法或不進行 ICA 修正相比，提高了分類準確性並保留了更多可用的試驗，並且在某些衡量指標上，特別是針對兒童數據，表現優於 ICLabel。
總而言之，ICA 可以成為隔離和移除偽跡的真正有用工具，但其性能並非萬無一失。 這在很大程度上取決於分類算法的調整方式以及所研究的人群。
偽跡子空間重構 (ASR) 作為替代方案
偽跡子空間重構（ASR）採取了完全不同的路線。ASR 不是將訊號分解為獨立的成分，而是通過將傳入數據與取自乾淨參考期的統計數據進行比較，自動標記並重構偏離該乾淨基準線過遠的訊號部分。
Robbins 的團隊在相同的 17 項研究中直接比較了 ASR 的兩種變體與基於 ICA 的管道。寬泛的結論與 ICA 的比較相呼應：雖然不同方法間的總體結果結構看起來相似，但仍出現了有意義的差異，同樣集中在低頻光譜特徵上。
因此，ASR 是 ICA 的合理替代方案，而非嚴格優越的替代品，同樣的原則適用於此管道中的其他所有部分：選擇的具體方法塑造了獲得的具體結果。
是否應該剔除壞的 EEG 片段？
您應該避免剔除整個片段，因為證據表明，由此導致的統計效力損失往往大於噪聲去除的好處。
簡單的閾值處理是一種生硬的工具，會不合比例地丟棄可用數據；因此，專家更傾向於使用更精密的方法，如插值和基於成分的修正。
分段：專注於感興趣的事件
大多數 EEG 分析，無論是測量 ERP 還是時頻模式，都錨定在時間的特定時刻：刺激的呈現，或參與者對其的反應。分段（Epoching）是將漫長、連續的記錄切割成圍繞這些事件中每一個的短暫、等長窗口的步驟，通常包括事件本身發生前的一小段時間，稱為基準線（baseline）。
那個事件前的基準線期起到了修正作用，有助於解釋可能被誤認為是實時響應刺激的慢電壓漂移。但這一修正步驟並非免於重新參考所適用的同樣警惕。
上述由 Arnaud Delorme 進行的研究發現，就 ERP 顯著性而言，先進的基準線去除方法顯著降低了表現。根據此證據，更安全的方法是更簡單的基準線修正，通常只是減去在刺激前窗口中測得的平均電壓，而不是採用更複雜的修正方案。
為什麼管道選擇會改變您的結果
將其並排對比，此處審查的比較研究使一點變得無比清晰：預處理管道不能互換，即使它們採用的是相同的通用方法工具箱。
例如，Delorme 的研究發現，在領先的 EEG 軟體平台（EEGLAB、FieldTrip、MNE 和 Brainstorm）測試的所有管道變體中，只有一種配置（將高通濾波與壞通道插值相結合）顯著優於單純的高通濾波本身。許多其他常用的步驟主動降低了數據質量，而不是提高它。
與此同時，Bertazzoli 的團隊發現，特別是在 TMS-EEG 研究中，應用於相同數據集的四個不同管道的波形幅度與全球平均場功率存在相當大的差異。僅在刺激後超過 100 毫秒的延遲時，拓撲結構模式在不同管道中才具有強烈相關性；在較早的延遲時，相關值範圍很廣，從 0.2 到 0.9，具體取決於使用的是哪一個管道。測試-重測信度本身取決於選擇了哪種預處理方法。
最後，哈佛的研究展示了一個針對特定情況更令人鼓舞的模式：為高偽跡、發育數據構建的自動化管道（如 HAPPE），其表現優於七種廣泛使用的替代處理方法，在幾乎每一次比較中去除更多的偽跡內容，同時保留同等或更多數量的真實 EEG 訊號。
貫穿這些研究的一致脈絡是，沒有單一的管道配置在每個數據集、人群或研究問題上都是普遍最優的。理解每個階段背後的合理依據，而不是去死記硬背固定的配方，才能讓研究人員做出深思熟慮、有據可依的選擇，並識別出特定管道何時可能不適合他們的特定數據。
為什麼預處理決策會塑造您在 EEG 數據中看到的內容
原始腦部記錄在到達時混雜著眼動、肌肉噪聲和電噪聲，這很容易掩蓋研究人員想要分析的較弱訊號。清洗這些數據並不是中性的清理步驟——您從濾波到偽跡修正所遵循的確切路徑，可以切實地改變腦部活動的最終圖像。證據表明，只有少數操作（如高通濾波和修補壞通道）能夠可靠地揭示更清晰的神經模式，而許多常見的操作可能會出人意料地削弱您所追求的結果。
因此，觀察每個預處理選擇的作用比遵循一刀切的配方要強大得多。由於不同的合理方法會將研究引向不同的方向，公開報告您的處理過程變得與數據本身同樣重要。
調整您的方法以匹配您正在合作的特定群體，無論是靜坐的成人還是好動的兒童，其表現通常優於在未調整的情況下使用通用工具。構建那種深思熟慮、透明的管道，可以讓您從信任軟體默認設置，轉變為真正理解您的訊號試圖告訴您的內容。
參考文獻
Robbins, K. A., Touryan, J., Mullen, T., Kothe, C., & Bigdely-Shamlo, N. (2020). How sensitive are EEG results to preprocessing methods: a benchmarking study. IEEE transactions on neural systems and rehabilitation engineering, 28(5), 1081-1090. https://doi.org/10.1109/TNSRE.2020.2980223
Bertazzoli, G., Esposito, R., Mutanen, T. P., Ferrari, C., Ilmoniemi, R. J., Miniussi, C., & Bortoletto, M. (2021). The impact of artifact removal approaches on TMS–EEG signal. NeuroImage, 239, 118272. https://doi.org/10.1016/j.neuroimage.2021.118272
Delorme A. (2023). EEG is better left alone. Scientific reports, 13(1), 2372. https://doi.org/10.1038/s41598-023-27528-0
Gabard-Durnam, L. J., Mendez Leal, A. S., Wilkinson, C. L., & Levin, A. R. (2018). The Harvard Automated Processing Pipeline for Electroencephalography (HAPPE): standardized processing software for developmental and high-artifact data. Frontiers in neuroscience, 12, 97. https://doi.org/10.3389/fnins.2018.00097
Leach, S. C., Morales, S., Bowers, M. E., Buzzell, G. A., Debnath, R., Beall, D., & Fox, N. A. (2020). Adjusting ADJUST: Optimizing the ADJUST algorithm for pediatric data using geodesic nets. Psychophysiology, 57(8), e13566. https://doi.org/10.1111/psyp.13566
常見問題集
訊號處理與標準數據分析有何不同？
訊號處理特別關注連續輸入的時間和頻率動態，而一般的數據分析通常處理靜態或獨立變量。
訊號處理可以清除訊號中所有形式的噪聲嗎？
雖然濾波可以顯著提高訊號的清晰度，但由於訊號與環境干擾之間不可預測的重疊，完美的噪聲去除通常是不可能的。
為什麼採樣率在數位系統中很重要？
採樣率決定了系統能夠精確代表的最大頻率，這對於捕獲高頻神經指標而不發生失真至關重要。
傅立葉轉換這類轉換的目的是什麼？
轉換用於將數據從順序很重要的時域，轉化為強調各個組成頻率的頻域。
線性與非線性系統如何影響輸出精度？
線性系統提供可預測的、成比例的響應，而非線性系統提供複雜的功能，可以揭示隱藏的動態，代價是犧牲了更簡單的可預測性。
為什麼原始 EEG 數據在分析前需要進行預處理？
原始 EEG 記錄不僅包含大腦活動，還包含來自眨眼、肌肉緊張、電噪聲和電極漂移的干擾。預處理通過去除這些偽跡來分離真實的神經訊號，使數據可解讀並可用於科學研究。
幾乎總是能提供幫助的預處理步驟是什麼？
高通濾波能去除因汗水或電極移動產生的慢電壓漂移，可持續帶來好處。在多項研究中，它是當在管道早期應用時，少數能可靠提高數據質量的步驟之一。
重新參考對 EEG 訊號有什麼作用？
重新參考在數學上重新計算每個通道相對於新中性點（例如所有電極的平均值）的電壓，而不是原始的記錄參考。由於 EEG 測量的是電壓差，這一選擇可以重塑表觀振幅，甚至改變大腦反應的統計顯著性。
為什麼要檢測壞通道，以及如何修正它們？
一些電極不可避免地會失去良好接觸或變得噪聲過大，從而扭曲整個頭皮的分析。在識別出這些壞通道後，插值通過根據周圍正常電極的活動來估算它們本應記錄的內容，從而重建其訊號。
在 EEG 中，獨立成分分析 (ICA) 用於什麼？
ICA 是一種在數學上將混合訊號分類為多個獨立成分的技術，其中一些成分對應於像眨眼或肌肉噪聲這樣的偽跡。一旦識別出與偽跡相關的成分並將其移除，剩餘的乾淨成分可以投影回通道數據中，以保留真正的大腦活動。
偽跡子空間重構 (ASR) 與 ICA 有何不同？
ASR 通過將傳入數據與乾淨參考期進行比較來識別並修正燥聲片段，自動標記偏離該基準線過遠的部分。與 ICA 不同，它不會將訊號分解為各個成分，而是根據乾淨數據的統計信息重建受干擾的部分。
為什麼不應該簡單地丟棄每個包含噪聲的片段？
簡單生硬地拒絕多噪聲試驗往往會丟棄大量可用數據，降低統計效力並可能削弱結果。由於珍貴的數據會丟失，一般更傾向於使用插值或基於成分的修正等方法，尤其是在記錄時間有限的情況下。
什麼是分段？為什麼它要包含事件前的基準線？
分段將連續記錄切片成與特定事件（如刺激）對齊的短時間窗口，以分析大腦反應。事件前的基準線期提供了一個參考電壓水平，這樣慢漂移就不會被誤認為是對刺激的反應。
具體的預處理管道是否會切實改變最終結果？
是的，不同的管道選擇——如濾波、參考方案或偽跡修正方法——會改變波形、顯著性，甚至測試-重測信度。沒有單一的管道適用於所有情況，因此研究人員必須理解每一步的影響，而不是盲目地遵循默認配方。
Emotiv 是一家神經科技領導者，透過可近用的 EEG 和腦部資料工具，協助推動神經科學研究進展。
克里斯蒂安·布爾戈斯
