为什么预处理至关重要

EEG对神经和非神经电活动都高度敏感。虽然仔细的实验设计和数据收集能够最大限度地减少许多噪声源，但某种程度的伪迹干扰是无法避免的。预处理有助于研究人员将有意义的大脑活动与无用信号区分开来，同时提高后续分析的一致性。[1]

重要的是，预处理不应被视为修复劣质记录的方法。相反，它是一个对通过完善的实验实践收集的高质量数据进行精细化处理的结构化过程。预处理过程中做出的决定会影响随后的每一个分析阶段，因此透明度和一致性至关重要。

构建预处理管线

预处理通常是一系列步骤的组合，而不是孤立的程序。虽然各个工作流因研究问题和分析方法而异，但建立一致的管线有助于确保每个参与者的数据都以相同的方式进行处理。

研究人员应尽可能在开始正式分析之前确定其预处理策略。提前定义工作流可以降低在查看结果后做出处理决定而引入偏见的风险。[1]

由于没有哪一个单一的预处理管线适合所有研究，因此工作流应以既有的文献、实验设计、记录方法和科学目标为指导。

过滤EEG信号

滤波通常是最早的预处理步骤之一。滤波器可以减少无用的频率成分，同时保留与研究问题相关的神经活动。

高通滤波器可以减少缓慢的信号漂移，而低通滤波器有助于抑制高频噪声。一些研究在适当的时候也会使用陷波滤波器来减少电力系统的电干扰。[1],[5]

滤波器的选择应当非常谨慎。过度滤波会使神经信号失真，或改变事件相关反应的时序和振幅。研究人员应选择支持预期分析的滤波器设置，同时避免不必要的信号修改。

识别和管理伪迹

即使在仔细收集数据之后，某些记录中也会包含在预处理期间需要注意的伪迹。

研究人员通常首先通过目视检查记录来识别过度噪声、不稳定通道或记录中断的时期。自动质量评估工具可以辅助伪迹检测，但手动审查仍然是许多预处理工作流的重要组成部分。[3]

根据污染的性质，研究人员可能会删除单个试次、剔除多噪通道、对孤立电极进行插值，或应用伪迹校正技术。这些决定应遵循在分析开始前建立的预先定义的质量标准。

独立成分分析

独立成分分析（ICA）是将混合电信号分离为统计独立的成分的最广泛使用的技术之一。通过将记录的EEG分解为潜在的信号源，ICA可以帮助研究人员识别与眨眼、眼动、肌肉活动或其他非神经伪迹相关的成分。[4]

一旦识别，可以在重建EEG信号之前移除与伪迹相关的成分。虽然ICA可以显著提高数据质量，但成功的应用取决于适当的预处理、足够的数据质量以及对所得成分的仔细解读。

研究人员应记录ICA是如何进行的以及移除了哪些成分，以支持透明度和可重复性。

连续数据分段

许多EEG分析都侧重于在特定实验事件前后发生的神经反应。为了便于这些分析，连续的EEG记录通常被分成较短的时间段，即所谓的分段（epochs）。

每个分段都与一个事件标记对齐，该标记代表实验期间的刺激呈现、参与者反应或其他有意义的事件。这种分段允许研究人员在重复的实验条件下比较神经活动，并为许多事件相关电位（ERP）分析奠定了基础。[2],[6]

因此，在开始分段之前，精确的事件时序至关重要。

基线校正

神经活动是不断变化的，即使在参与者休息时也是如此。基线校正通过将每个实验分段与紧接在感兴趣事件之前的参考期进行比较，从而有助于解释这些持续的波动。

从随后的神经反应中减去该基线，使研究人员能够更好地隔离与实验事件相关的活动，同时减少不相关背景活动引入的变异性。[2]

基线的选择在整个研究中应保持一致，并应反映所选实验范式的既有做法。

质量控制与记录归档

预处理并不会在数据看起来更干净时结束。研究人员应仔细记录每个处理步骤，包括滤波参数、伪迹剔除标准、插值程序、软件版本和分析设置。

详细的记录归档通过允许其他研究人员理解、评估和复制预处理工作流来支持可重复性。透明的报告也使未来研究之间的比较更有意义。[1]

在所有参与者中保持一致的预处理方案可进一步减少变异性，并增强对所得分析的信心。

选择用于EEG预处理的软件

有几个软件平台支持EEG预处理和分析，每个平台都提供不同的工作流和分析功能。研究人员应选择与其实验设计、技术专业知识和报告要求相符的工具。

常见的预处理环境包括 EEGLAB、MNE-Python 和 FieldTrip，以及支持事件同步、数据可视化和导出到常见分析格式的商业采集软件。[4],[5] 选择具有互操作性的工具可以简化合作，同时支持透明且可重复的研究实践。

关键要点

预处理通过减少噪声、管理伪迹和组织数据，同时保留有意义的神经信号，为科学分析准备原始EEG记录。

滤波、伪迹管理、独立成分分析、分段、基线校正和质量控制都有助于在保持数据完整性的同时提高信号质量。

设计良好的预处理管线具有一致性、透明性，并且适合研究问题。通过记录每个处理步骤并在参与者之间应用标准化程序，研究人员能够增强其发现的可靠性和可重复性。

继续构建您的EEG研究

一旦EEG数据准备好进行分析，研究人员就可以开始探索不同的电极位置如何有助于理解大脑活动。

在下一本指南——选择EEG电极和导联组合中，我们将探讨电极放置系统、通道选择，以及记录位置如何影响实验设计和数据解读。

参考文献

[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.