EEG预处理管线：最佳实践指南
Emotiv
更新于
2026年3月8日
EEG预处理管线：最佳实践指南
Emotiv
更新于
2026年3月8日
EEG预处理管线：最佳实践指南
Emotiv
更新于
2026年3月8日
可以把原始的EEG数据想象成刚从地下挖出来的未经提炼的矿石。它包含你正在寻找的贵金属，但也混杂着泥土、岩石和其他杂质。在原始状态下，你无法用它做任何有用的事情。提炼矿石的过程——破碎、分离和纯化——正是eeg preprocessing pipeline为你的大脑数据所做的事情。这是一系列系统化的步骤，旨在消除由于肌肉运动、眨眼和电干扰产生的噪声。本指南将引导你完成该提炼过程，确保你分析的数据干净、可靠并能准备好产出有价值的洞察。
关键要点
从一个坚实的清洁计划开始：原始EEG数据天生就有很多噪声，因此创建一个循序渐进的预处理流水线是消除肌肉紧张和电蜂鸣等伪影的唯一方法，从而确保你的分析建立在可靠的基础之上。
为工作使用正确的工具：标准的工作流涉及几个关键步骤，因此利用滤波器来消除信号漂移和工频干扰，然后应用独立成分分析 (ICA) 等强大的方法来隔离并消除特定的伪影，例如眨眼。
记录一切以获得可重复的结果：为了产生可信的研究，一致性至关重要，因此应采用标准化的流水线并记录每个参数和决定，使你的工作透明并可供他人验证。
什么是EEG预处理流水线？
可以将EEG预处理流水线想象为针对你大脑数据的专业过滤器。当你第一次收集EEG信号时，它们充满了原始、未过滤的信息。这包括你想研究的有价值的大脑活动，但它也包含很多噪声，如来自灯光的电干扰或咬紧牙关引起的肌肉运动。预处理流水线是你应用于清洁这些原始数据的一系列标准化步骤，使其为分析做好准备。
之所以被称为“流水线（pipeline）”，是因为数据是以特定顺序流经一系列处理阶段。每个步骤执行不同的任务，如移除坏通道、滤除特定频率或识别并减去伪影。例如，一个步骤可能会消除信号中的低频漂移，而下一步则针对来自电源插座的 60 Hz 蜂鸣声。当数据从流水线的另一端出来时，它已经干净得多，并且更专注于你所关心的神经活动。这一过程对于从你的EEG记录中获取有意义且可靠的结果绝对是必不可少的。
为什么预处理你的EEG数据至关重要
你无法在摇晃的基础上盖起坚固的房子，EEG分析也是如此。预处理就是那个基础。原始EEG数据天生具有噪声，跳过或仓促进行清洁过程可能会引入损害你整个研究的误差。即使在这些早期阶段出现微小的错误也会扭曲你的发现，使你难以得出准确的结论。
标准化的方法是创建高质量、可靠数据的关键。遵循既定的工作流（例如 PREP pipeline）可确保你的数据每次都能得到一致的清洁。这不仅能提高你自身结果的质量，还能使你的工作更具可重复性，从而允许其他研究人员验证并基于你的发现进行拓展。无论你是从事学术研究还是开发新的 BCI 应用，扎实的预处理都是不可妥协的。
原始EEG数据面临的常见挑战
处理原始EEG数据会遇到一些常见的障碍。最大的挑战是处理伪影，即非来自大脑活动的信号。这些伪影可能是生理性的，如眨眼、心跳和肌肉紧张，也可能是外部的，如来自电源线的电噪声。这些伪影很容易掩盖你试图测量的微妙大脑信号，因此需要小心将其清除。
另一个挑战是数据的庞大体量和复杂性，尤其是在大规模研究中。手动检查和清洁数小时的多通道记录是不切实际的。此外，如果没有标准化的方法，不同的研究人员可能会使用不同的清洁方法。这种变异性使得跨研究比较结果变得困难，并可能减缓科学进展。
预处理EEG数据的标准步骤
把EEG预处理流水线想象成将原始、多噪的脑电波数据转化为干净、可分析的数据集的配方。虽然确切的步骤可能会根据你的研究问题和硬件而有所不同，但存在一个标准的工作流，为大多数项目提供了一个极佳的起点。遵循一致的步骤有助于确保你系统地解决EEG数据中的常见问题，如环境噪声和生物伪影。这种结构化的方法不仅使你的数据更可靠，也使你的发现更容易被复制。
流水线中的每一步都在上一步的基础上进行，逐步提炼信号。从识别故障通道到隔离和消除眨眼，这一过程对于揭示你实际想研究的神经活动至关重要。许多这些标准做法都在成熟的指南中进行了概述，例如 Makoto’s preprocessing pipeline，这为新老研究人员都提供了宝贵的资源。让我们来了解一下标准预处理流水线的核心组成部分。
导入并设置你的数据
你的第一步是将原始EEG数据导入到你选择的分析软件中，例如开源工具 EEGLAB 或 MNE-Python。加载数据后，最关键的设置任务之一是定义你的通道位置。这个过程包括告诉软件每个电极放在头皮上的什么位置。搞对这一点至关重要，因为这能创建你的软件正确可视化大脑活动和执行源分析所需的前景地图。如果没有准确的通道位置，你稍后进行的任何拓扑图或空间过滤都将毫无意义。这是一个奠定基础的一步，为后续的一切做好了准备。
评估并移除坏通道
并非所有通道每次都能完美记录。你经常会发现“坏”通道，它们被持续的噪声污染、与头皮接触不良或只是平线。在早期识别并处理这些通道非常重要。你可以通过滚动浏览数据进行视觉识别，也可以使用自动方法来检测具有异常信号的通道。一旦识别，你要么可以完全移除它们，要么（在许多情况下是更好的选择）插值它们。插值法利用周围好通道的数据来估算坏通道信号应该是什么，从而保护你的数据集完整性和通道数量。
下采样以获得更好的性能
EEG数据通常以非常高的采样率记录，有时超过 1000 Hz。虽然这对于捕获快速神经事件非常好，但它也会创建巨大的文件，在处理过程中可能会使你的计算机变慢。对于许多类型的分析，尤其是专注于事件相关电位 (ERP) 的分析，你不需要那种水平的时间分辨率。下采样将采样率降至更易管理的水平，例如 256 Hz。这简单的一步可以在不丢失分析所需关键信息的情况下，在很大程度上加快后续处理阶段（如滤波和 ICA）的速度。这是提高工作流效率的便捷方法。
应用滤波技术
原始EEG数据充满了来自各种源的噪声，而滤波是你清洁它的主要工具。一个基本的首要步骤是应用高通滤波器，通常在 0.5 Hz 或 1 Hz 左右。该滤波器消除了由汗液伪影或电极移动等引起的极慢、非神经的信号漂移。通过消除这种低频噪声，你可以稳定基线，从而更容易看到你感兴趣的大脑活动。这几乎是每个EEG分析的基础步骤，对于为更先进的技术准备数据至关重要。
选择重参考方法
每个EEG记录都是相对于参考电极进行测量的。然而，记录期间使用的初始参考可能不适合分析。重参考是在数据收集后，通过计算改变参考点的过程。最常见且最有效的方法之一是重参考到公共平均。该技术计算所有电极的平均信号，并将其从每个单独的电极中减去。这有助于将在整个头皮上存在的噪声（如电干扰）降至最低，并可以显著提高你的信噪比。
实施伪影去除
即使滤波之后，你的数据仍会包含伪影，即非大脑产生的信号。这些包括眨眼、肌肉紧张、甚至心跳信号。独立成分分析 (ICA) 是一种用于识别和去除这些伪影的强大数据驱动方法。ICA 的工作原理是将你的多通道EEG数据分离为一组统计独立的成分。然后你可以检查这些成分，确定哪些对应于伪影，并进行清除。这为你留下了干净得多的数据，更准确地反映真实的神经活动，这对于从你的研究中得出有效结论至关重要。
分段并截取你的数据
一旦你的连续数据变干净，最后一步就是将其分割成 Epoch（分段）。一个 Epoch 是与特定事件（如呈现刺激或受试者的反应）锁时的一小段EEG数据。例如，如果你正在研究对图像的反应，你可以创建一个从每个图像出现前 200 毫秒到出现后 1000 毫秒的 Epoch。这一步将你的连续记录转变为有意义的、与事件相关的试次，你可以将它们平均在一起并用于统计分析。它让你能直接研究大脑对特定事件的反应。
哪些是EEG预处理的高频推荐工具？
一旦你了解了这些步骤，下一个问题就是使用哪种工具。你有几个很好的选择，从灵活的开源工具箱到简化整个研究工作流程的集成软件平台。正确的选择取决于你的技术舒适度、研究需求，以及你更喜欢一体化环境还是定制的流水线。让我们来看看一些最受欢迎的选择。
探索 EEGLAB
EEGLAB 是EEG社区中的强大工具，且理由充分。这是一个被广泛使用的 MATLAB 工具箱，专为处理电生理数据而设计，为可视化、预处理和分析提供了一个全面的环境。其最突出的功能之一是其强大的独立成分分析 (ICA)，这是隔离和去除伪影的高频选择。让 EEGLAB 具有多功能性的是其广泛的插件库，允许你添加新功能并根据你确切的实验需求定制软件。如果你在 MATLAB 环境中操作自如，这个工具箱为清洁你的EEG数据提供了一条成熟且强大的途径。
使用 MNE-Python
如果 Python 是你首选的编程语言，那么你在 MNE-Python 中会感到如鱼得水。这个开源库是为处理EEG和 MEG 数据而构建的，将强大的功能与用户友好的界面结合在一起。MNE-Python 为预处理的每个阶段提供了一整套工具，从滤波和分段到伪影抑制。因为它是更大的 Python 科学计算生态系统的一部分，因此你可以轻松地将其与其他流行库集成以进行更复杂的分析。对于任何想要开源软件的灵活性和协作特性的人来说，这是一个极佳的选择。
使用 FieldTrip
另一个杰出的基于 MATLAB 的选择是 FieldTrip，这是一个专为分析 MEG 和 EEG 数据开发的工具箱。FieldTrip 真正闪光的地方在于它的灵活性。它较少作为一个图形工具，更多是一组你可以通过脚本结合在一起来构建完全定制分析流水线的结构化函数。这种方法允许你对工作流的每一步进行细粒度控制，并且特别适合高级统计分析。如果你的研究需要高度定制的方法，并且你喜欢对你的分析编写脚本，FieldTrip 提供了构建能完美配合你设计的工作流框架。
使用 Emotiv 软件简化你的工作流程
对于那些想要集成体验的人，我们的 EmotivPRO 软件旨在简化整个研究过程。这是一个多功能平台，可帮助你在一个地方收集、管理和分析EEG数据。EmotivPRO 将实验设计、数据采集和分析融合在一个屋檐下，而无需拼凑不同的工具。它旨在与我们全系列的头戴式设备无缝配合，从我们的便携式 2 通道设备到高级高密度系统，如 Flex。这使得运行复杂的实验和快速进入分析阶段变得更容易，使你能够更专注于你的研究问题。
滤波器是如何清洁你的EEG数据的
可以把原始EEG数据想象成来自繁华街道的现场音频录音。你可以听到你想捕获的对话，但它混杂着交通、风和远处警笛的声音。滤波是通过消除所有不必要的背景噪声来隔离该对话的过程。在EEG中，这种“噪声”可以来自许多源，包括肌肉运动、眨眼、电源插座的电干扰，甚至是皮肤出汗引起的信号慢漂移。
在任何EEG预处理流水线中，应用滤波器都是极其基础的一步。它清洁数据，以便你能更清楚地看到你感兴趣的大脑活动。没有它，这些伪影很容易污染你的结果，导致错误的解读。其目标是消除你感兴趣范围之外的频率，同时保护这之中的重要神经信号。不同类型的滤波器针对不同种类的噪声。例如，一些设计用于滤除低频漂移，而另一些则可以消除来自电气设备的高频蜂鸣声。使用正确的滤波器组合可确保你的最终数据集干净、可靠且可用于分析。
实施高通滤波器
高通滤波器是你对抗数据中缓慢滚动伪影的第一道防线。顾名思义，它允许较高的频率“通过”，同时阻断极低的频率。这对于消除与大脑活动无关的缓慢信号漂移特别有用。最常见的罪魁祸首之一是汗水，它会在EEG信号中创建缓慢的波状模式，从而掩盖你实际想看到的数据。
通过应用高通滤波器，你可以有效清洁这种噪声。标准的 preprocessing pipeline 通常建议将截止频率设置在 0.5 Hz 或 1 Hz 左右。这告诉滤波器移除任何慢于该阈值的信号成分，在不影响你分析所需的较快脑电波频率的情况下稳定基线。
应用低通滤波器
虽然高通滤波器可以消除慢噪声，但低通滤波器踩下的方向相反：它消除过快的高频噪声。这种类型的噪声通常来自肌肉活动 (EMG)，尤其是由于咬紧牙关或使颈部肌肉紧张，以及来自附近设备的电干扰。这些高频伪影可能会使你的EEG信号带上毛躁、锯齿状的质量，从而难以解读底下的大大脑活动。
应用低通滤波器可以通过让较低频率通过而切断高频噪声的方式平滑数据。这是分离你想研究的脑电波频段（例如阿尔法、贝塔或西塔波）最关键的 EEG preprocessing methods 之一。常用的做法是把截止频率设置在你最感兴趣频段的上方，例如 40 Hz 或 50 Hz。
使用陷波滤波器去除工频干扰
陷波滤波器是一种高度专业化的工具，旨在消除一个非常具体且常见的问题：来自电力线的电气干扰。这种干扰（被称为 line noise）表现为单一频率下的持续蜂鸣声。根据你身处世界何处，这将是 60 Hz（在北美）或 50 Hz（在欧洲和许多其他地区）。这种恒定的伪影力量可能足够强大，从而盖过你试图测量的微妙神经信号。
陷波滤波器的运作原理是针对并移除该单一频率（有时是其谐波），而不影响你的其余数据。这就像用手术剪剪掉一根特定的线。应用 50 Hz 或 60 Hz 的陷波滤波器是确保你的EEG数据干净、无环境电噪声的标准且必要的步骤。
何时使用带通滤波器
带通滤波器本质上是一个二合一工具，结合了高通和低通滤波器的功能。它不仅仅是切断高于或低于某个点频率，它还允许你隔离一个特定的频率范围。当你的研究问题聚焦于某一特定的脑电波时，这非常有用，比如与放松状态相关的阿尔法波（通常是 8-12 Hz），或者与积极专注相关的贝塔波（13-30 Hz）。
你会使用带通滤波器来丢弃该特定范围之外的一切。例如，在许多情绪识别研究中，研究人员可能会应用 4 Hz 至 45 Hz 的带通滤波器，以专注于西塔、阿尔法和贝塔频段。这种技术可实现更有针对性的分析，帮助你只专注于与你工作最相关的大脑活动。
哪些伪影去除技术最有效？
过滤数据之后，下一个关键步骤是解决伪影。这些是污染你EEG记录的有害信号，来自于眨眼、肌肉紧张甚至电干扰等源。清除它们对于让你清晰看清你实际想研究的大脑活动至关重要。对于任何情况，并没有单一的“最佳”方法；正确的途径通常取决于你的特定数据和研究目标。有些技术对于捕捉可预测的噪声（如眨眼）非常好，而另一些设计则是为了自动标记并消除混乱的数据段。
最有效的策略通常涉及方法的结合。例如，你可能会使用一种技术来隔离和消除眼部运动，使用另一种技术来清洁残留的肌肉噪声。了解不同伪影清除工具的长处将有助于你构建一个稳健的流水线，从而为你留下高质量、可靠的数据。让我们一起探求下一些你可以使用的最常见且有效的方法，包括独立成分分析 (ICA) 和用于清洁记录的 Automatic Artifact Rejection (ASR)。
使用独立成分分析 (ICA)
独立成分分析（ICA）是一种强大的统计方法，其工作原理是将你混合的EEG信号分成一组潜在的独立源。可以把它想象成在有多个人同时说话的房间里；ICA 帮助你从混合噪声中隔离出每个人的声音。这使得它对于识别并消除具有一致模式的陈式化伪影非常有效，例如眨眼、水平眼动、甚至一些心跳信号。多名研究人员都视其为首选工具，并且它是公认工作流（如 Makoto’s preprocessing pipeline）中的核心组成部分。通过运行 ICA，你可以查明代表噪声的成分并直接清除它们，从而留下更干净的大脑数据。
利用在线伪影去除 (ASR)
如果你在处理大型数据集，手动检查数据中的每一秒伪影是不现实的。这就需要自动伪影检测（ASR）的介入。ASR 是一种自动识别和剔除噪声过大段的算法。它的工作原理不仅寻找你数据中的干净部分作为参考，还会移除偏离该基线过多的任何其他部分。该技术是标准化工作流（例如 PREP pipeline）的基石，因为它提供了一种客观、可重复的清洁数据方式。ASR 能够大大节省时间，并有助于确保你在多个记录中的预处理保持一致。
处理眼部和肌肉伪影
在EEG污染方面，眼部和肌肉运动是两个最主要的罪魁祸首。一次简单的眨眼或咬合颚部动作就会产生巨大的电信号，完全掩盖底下的大脑活动。正如我们所介绍的，ICA 在隔离这些种类的伪影方面表现突出。为了获得更好的结果，许多研究人员建议使用专门的 EOG（眼电图）通道来直接记录眼部动作。这为你的 ICA 算法提供了一个更清楚可以锁定的信号，使其更容易识别并从你的EEG通道中扣除与眼部相关的噪声。类似地，来自肌肉紧张（尤其是在下颌和颈部）的 EMG（肌电图）信号也可以通过这些技术得以识别和去除。
实时处理的注意事项
当你在使用需要即时响应的应用（如脑机接口）时，你的预处理必须足够快。你不能容忍在系统清洁数据时出现漫长延迟。一些高计算强度的算法，如运行完整的 ICA 分解，对于实时运行而言过于缓慢。这时候计算效率更高的技术就体现了价值。像 ASR 这样的方法在这里特别管用，因为它们能够随时识别并拒绝坏数据段，同时不会引入明显的滞后。关键是要在多彻底清除数据和需要结果有多迅速之间找到平衡。
预处理期间你可以预期遇到哪些挑战？
预处理EEG数据可能既感觉像一门艺术，也像一门科学。虽然目标总是获得尽可能干净的数据，但通往该目标的道路并非总是一帆风顺。你可能会遇到一些常见的障碍，从应对不一致的方法到确保你的清洁步骤不会意外产生新问题。让我们来了解一些主要的挑战以及你可以如何应对它们。
避免常见的预处理误区
EEG领域中最大的挑战之一是预处理中缺乏标准化。不同的实验室和研究人员经常使用略微不同的方法来清洁其数据，这可能使得比较结果或合并来自各种来源的数据集变得有些困难。这并不是指一种方法是“正确”的而另一种是“错误”的，但这种不一致性会减缓协作进展。应对此情况的最佳方式是选择一个文档齐全、建立成熟的流水线，并坚持使用它。清晰记录你所采取的每一个步骤，不仅有助于你保持一致，还能使你的研究对其他人更具透明性和可复现性。
解决秩亏缺问题
如果你曾运行过独立成分分析 (ICA) 并遇到令人困惑的错误，你可能遇到了秩亏缺（Rank-Deficiency）问题。这听起来很复杂，但它其实只是意味着你的一些EEG通道之间不再相互独立。这经常在执行重参考或插值坏通道等步骤后发生。当你基于其他通道的数据为某个通道创建数据时，它在数学上就变得多余。关键是要正确告诉你的 ICA 算法实际应该在你的rank-deficient data中寻找多少个独立信号。这可以确保算法能正常运行并给你带来有意义的成分。
为什么你的处理顺序至关重要
预处理步骤的顺序极为重要。如果不按正确顺序执行，会引入伪影或在之后很难修正的方式扭曲你的数据。例如，如果你在识别并移除多噪的通道之前应用了滤波器，来自这些坏通道的伪影可能会弥散在你的整个数据集。成熟的工作流（例如 PREP 流程）已经确定了一个optimal processing order来避免这些问题。遵循一套经证实的顺序，例如在滤波和重参考之前移除坏通道，有助于确保每个步骤对数据进行清洗，而不会在后文中带来新麻烦。
如何验证你的数据质量
你怎么知道你的预处理是否成功？你需要一种方法来检查你的工作。视觉检查永远是你的第一道防线；在清洗前后滚动浏览你的数据能给你带来良好的质量直观感受。除此之外，大量流水线都能生成强调关键度量的自动化摘要报告。作为实际的基准，一个共同的目标是应剔除由于伪影产生的约 5–10% 的 Epoch。你可以通过设置振幅阈值或者采用类似于improbability tests的统计测量自动标志噪声过大的片段，确保你的最终数据集干净且可靠。
标准化如何改善研究可重复性
在科学研究中，可重复性就是一切。它是指另一个研究人员能够采用你的方法、将其应用于你的数据，并获得相同的研究结果。不幸的是，神经科学领域在这方面面临了重大挑战。当涉及到EEG数据时，你在预处理期间所做的巨量选择可能会构成一个主要障碍。如果两个实验室分析相同的数据集，但采用略微不同的滤波参数或伪影剔除技术，他们得到的结果可能大相径庭。这导致难以验证发现并奠定可靠的知识体系。
采用标准化的预处理流水线是应对这一问题最有效的方法。标准化的途径意味着团队或协作组中的所有人均同意使用相同的步骤、工具和参数以清洁数据。这种一致性消除了作为变量的预处理工作流，确保结果中发现的任何差异都来自于实验本身，而不是数据清洗流程。它为数据分析创建了一种通用语言，使跨课题的结果比较及在大规模项目上的协作变得更加容易。通过建立清晰、一致的协定，你在为更稳健、更值得信赖的科学研究做出贡献。
PREP流水线的好处
标准化工作流中最著名的例子之一是 The PREP pipeline。将其视为清洁原始EEG数据的一份详尽、经过同行审阅的配方。它的核心目的是建立一个鲁棒、标准化的规程，可用于为大规模分析准备EEG数据。该流水线包含解决常见问题（例如工频干扰、坏通道、和重参考）的具体步骤。通过遵循像 PREP 这类经证明有效的规程，你能更有信心认为你的数据是干净的，并且你的方法是合理的。它免去了预处理中大量的猜测，并有助于确保你的数据已为你接下来的分析规划做好了准备。
为什么标准化规程是关键
使用标准化规程指的不仅仅是遵循特定的流水线（如 PREP），它更是对保持一致性的郑重承诺。当你为一个项目建立一个单一、不发生变化的规程时，实际上你在为你的分析奠定一个稳固的基础。这对于纵向研究或有多套数据收集点的特殊工程极为重要。如果在中途更改了预处理步骤，则会引入可能影响研究结果的变量。标准化程序允许每套数据集得到完全一致的对待，如此一来，你能相信所发现的变化是真实的。这种严密性在很大程度上令你的发现更有说服力，研究也更加可信。
整合来自不同站点的数据
你曾尝试合并过来自不同实验室的数据集吗？那可能会令人倍感头痛。如果每个实验室都使用自己独特的预处理方法，你最终会有些像在进行苹果和橙子的比较。这种一致性的缺乏令合并大型分析数据集变得几乎不可能，限制了研究发现的统计效率及普适性。标准化流水线通过创造通用的数据准备框架，解决了这一局限性。当多个研究站点都同意使用同一个流水线时，他们的数据就变得可互操作了。这为强合作研究项目和元分析开启了崭新的大门，它们能够回答比单个实验室所独立应对的更庞大的科学提问。
良好记录的重要性
标准化的流水线是一样强有力的工具，但只有在留档充分时才最为有效。一丝不苟记录信息是可重复研究中不容商榷的部分。对于处理的每个数据集，你应该记录下经历的每个步骤。这包括你所使用的软件和版本号（如 EEGLAB 或 MNE-Python）、为每个函数设定的具体参数，以及指导你做出那些决策背后的思路。这种书面材料往往以脚本或细致日志的形式呈现，为任何想要重复你工作的学者提供了清晰明了的路线图。它提升了通透度，令科学界能够妥善评估并建立在你的成果之上。
不同硬件如何改变预处理的需求？
你选择的EEG硬件将直接影响你的预处理策略。适合拥有 32 通道、基于实验室设备的流水线，对于拥抱 2 通道、便携式设备的学者而言可能并非最佳。通道数量、传感器类别、以及收集数据的周遭环境统妥妥扮演重要的角色。理解你硬件的独特本领是迈向构建高效预处理工作流的第一步，以此助你获得清洗可靠的数据。
多通道设备的预处理
当你在使用像我们 Flex 这样高密度的EEG系统时，你应对的是海量数据。这种充盈性对于细微的大脑分析非常棒，但它也意味着你的预处理流水线必须足够强壮。由于通道数量成倍增加，遇到会污染全套数据集的多噪或“坏”通道的概率将会大大提升。这也是为什么严谨的通道审查和删除剔除是如此地核心。多通道数据的复杂性也极度表明自动算法是一项出色的帮助，但它们在后续依然应该跟进眼见为实的检查，确保关键信息没有被疏忽。
便携式EEG数据预处理的贴士
便携式EEG设备（如 Epoc X）在现实环境探索中打开了大门，这非常激动人心。然而，“在野外”收集的数据更容易受到来自头部动作、步行或仅仅是交谈造成的运动伪影。你针对移动设备的预处理流水线应当包含优秀的伪影去除法，比如独立成分分析 (ICA) 用以阻断和去除这些非脑活动的电平迹象。采用专门为此用途量身定做的配套软件（如 EmotivPRO）能够很好地推动这一阶段，因其研发初衷便是应对旅行拍摄中数据获取的独特多变性。
评估不同设备之间的信号质量
无论针对何种设备，衡量其信号质量是一项无需争论的操作。仅单个变坏的传感器即可打破你结果的平衡，特别是当你使用重参考计算让噪通道杂质铺满周边无辜通道时。在进入下一步执行之前，留出一些时间去肉眼核对下你的原始数据吧。留意平铺、噪度离奇、或者发生大漂移特征的通道。许多系统在数字化上就提供了关于传感品质在量上的综合分析方案。早早确认并与那些难解的故障发生点沟通会免去日后诸多繁琐困窘，同时还维系了数据集的一体性。
识别与硬件特异有关的伪影
每一个EEG装置都有自己的一些习性。诸如无线组件有时候可能会出现数据包丢失，体现出来的往往是数据线段上的微小缺片。有些探测器种类也许极度敏于汗渍或身旁日常用电设备派生的电网侵染。养出熟悉手头硬核装置脾气的习惯。在学术研究领域往往会有专注于分享攻克这些特定装置局限处理技艺的相关科学文章发表，它们对你而言可能是无价库藏。明白在预备看什么不仅会使你定制具有偏向性的降噪操作，还极为精确地对特定环境常见噪点做出有力还击。
EEG预处理流水线的最佳实践
优秀预处理流程等同于备受推崇、信赖的美味妙招：对步骤的重复执守助你获得始终卓越的成果。它围绕构造有序的方式洗脱资料而设，由此为你对研究的研判奉上扎实支撑本领。这绝非随手运行某行代码草草了事；它牵扯深度明晰前后的衔接关系，并一字一句地促成知情、具备推敲基础决策。依据优异规范的实施开展，你节省了宝贵光阴。此法在你是单独操作，抑或是承接地道的、需要公开分享的学术研究方面皆无出其右。
设立视觉辨验规程
在任意程序着手改动那些记录前。何不花上一点空档亲眼凝视打量其样貌？一个明快的扫视可能会暴露那些连最高明AI也极易忽视的情况，就犹如彻底坏损的传感部分和充溢极端颤乱信号的乱况。将这设定为排查严重质感漏洞的第一哨点。如此直观和朴素的观察，能够帮你提前体会资料脾性、令随后的全自动运行更圆滑，并在后续省下由于离奇变故导致的庞大纠错损耗。
选取恰如其分的各项设定
针对过滤器和演算体系你配置的细节会对最后的成果好坏带来不可小觑的干涉。例如 1 Hz 高通选择在解决由于汗津移动导致的背景浮颤方面是极其受推崇和普遍的选择，况且极好保护神经活动。另一个核心要领是对计算精度进行严控。像针对标准化规程 PREP pipeline 的学术发表清晰指出，选择“双精度”这种超微细数学设定必不可少。不够高精的计算反而在洁净阶段带入隐形的误差。开路便将其做对极大保证整套资料不发生变形。
设立质监审查锚点
在工作流中加入一套审查机制是以不变应万变、长期恒定维稳的关键。其绝非一蹴而就去洗一次。这是一个持续跟踪的工序。一套得力的常设方案在判定弃用有瑕疵的段落在 5%–10% 这样一个区间最为公道和适度。你可以把特定数值写进机器协助完成。但是更棒的是生成预备各式的记录以跟踪总体走向情景。这为研究铺平了一条通透、具有说明的通路，并帮你在大批量分析中随时定位偏差区域。
优化你的作业连贯流程
在敲定了各个具体的细化设定和实施操作后，接下来的当务之急即是构建连贯、可自我重复推进的高效体系。使用标准一致的操作确保每个项目都被公正等价度量。这在有复数场次以及跨组多合一研判中更加是重中之重。我们的系统服务如 EmotivPRO 应此创制，助你在建构和维系此类作业顺畅连贯时提供稳健配合，从而让每一路录音都在同一个基准线上被审视，使计算格外顺畅和安心。
相关文章
循序渐进的 EEG 实验设计指南
EEG 时频分析：它是什么以及它为什么重要
常见问题解答
对于刚刚起步的新手，预处理中最重要的一步是什么？ 在你应用任何滤波器或运行任何算法之前，务必总是以视觉检查原始数据开始。简单滚动浏览记录可以帮助你发现主要问题，比如完全没有波形的通道，或是一个充满极端噪声的通道。这个简单的检查让你对数据的整体质量有一个直观感受，并能早期发现故障通道。手动捕获这些明显的问题可以防止它们在随后的自动加工中损坏数据集的其余部分。
我可以单纯依赖自动化工具来清洁我的数据吗？ 像 ASR 这样的自动化工具非常有用，尤其是在处理大型数据集时。但它们最适合作为你个人判断的伴侣来发挥作用。较好的习惯是允许自动化技术来承担繁重的工作，之后再辅以视觉核对以此来锁定最后的结果。把这想象为一次协作——算法帮你划出疑似点，而最终的决定是由你做出的。这一折中的途径排除了过度剔除的情形，同时保留了只由人的经验才能理清的细节。
我该怎样去判断在去除伪影的过程中我是否丢弃了过多数据？ 一个理想的标尺是将因为含有伪影而舍弃的 Epoch 比例，控制在大体 5 至 10 个百分点中。这是一条一般性准则，而非限制性条款。如果发现连续剔除了比这一幅度大得多的比额，这很可能说明采集初期就存在故障——比如传感器极度贴合不力或是受试者动静太大。目标并不是卡死在某个数字上，而是要在尽可能保存干净可用资料的前提下排除显性的噪点成分。
过滤手段和类似于 ICA 等伪影滤除术有什么关键本质不同？ 不妨从这一角度来看：滤波有点像从音轨里洗掉一份持续且有预期波动的噪声，比如空调的蜂鸣。它在所有的通道上针对着特定一段波段。而利用类似于独立成分分析（ICA）的技艺则更像在追捕洗去一段间断出现的突兀杂音，如一次大声的咳嗽或者拍门声。ICA 研发目标锁定在揪出具有明显固定波峰走势的脉冲（如眨一下眼睛），随后将该特定的成分从中予以抽除。两种方案相辅相成才是一个彻底清洁的手套。
针对便携式设备，我的流水线是否一定要有别于科研级高密度设备？ 毫无疑问，你需要让你的流水线去适应硬件的特征。虽说底层的核心原理是一样的，但是来自于随身款设备“在自然环境下采集”的数据往往在比例上承受更多动作幅度带来的伪影侵染。鉴于这个缘故，像 ICA 等高阶去伪方法便越发核心。而反观高密度实验装，你有更多参考成分参与计算，与此同时你遇到部分点位失准坏掉的情形也更多，由此前期的排障审查通道操作就极为必不可少。
可以把原始的EEG数据想象成刚从地下挖出来的未经提炼的矿石。它包含你正在寻找的贵金属，但也混杂着泥土、岩石和其他杂质。在原始状态下，你无法用它做任何有用的事情。提炼矿石的过程——破碎、分离和纯化——正是eeg preprocessing pipeline为你的大脑数据所做的事情。这是一系列系统化的步骤，旨在消除由于肌肉运动、眨眼和电干扰产生的噪声。本指南将引导你完成该提炼过程，确保你分析的数据干净、可靠并能准备好产出有价值的洞察。
关键要点
从一个坚实的清洁计划开始：原始EEG数据天生就有很多噪声，因此创建一个循序渐进的预处理流水线是消除肌肉紧张和电蜂鸣等伪影的唯一方法，从而确保你的分析建立在可靠的基础之上。
为工作使用正确的工具：标准的工作流涉及几个关键步骤，因此利用滤波器来消除信号漂移和工频干扰，然后应用独立成分分析 (ICA) 等强大的方法来隔离并消除特定的伪影，例如眨眼。
记录一切以获得可重复的结果：为了产生可信的研究，一致性至关重要，因此应采用标准化的流水线并记录每个参数和决定，使你的工作透明并可供他人验证。
什么是EEG预处理流水线？
可以将EEG预处理流水线想象为针对你大脑数据的专业过滤器。当你第一次收集EEG信号时，它们充满了原始、未过滤的信息。这包括你想研究的有价值的大脑活动，但它也包含很多噪声，如来自灯光的电干扰或咬紧牙关引起的肌肉运动。预处理流水线是你应用于清洁这些原始数据的一系列标准化步骤，使其为分析做好准备。
之所以被称为“流水线（pipeline）”，是因为数据是以特定顺序流经一系列处理阶段。每个步骤执行不同的任务，如移除坏通道、滤除特定频率或识别并减去伪影。例如，一个步骤可能会消除信号中的低频漂移，而下一步则针对来自电源插座的 60 Hz 蜂鸣声。当数据从流水线的另一端出来时，它已经干净得多，并且更专注于你所关心的神经活动。这一过程对于从你的EEG记录中获取有意义且可靠的结果绝对是必不可少的。
为什么预处理你的EEG数据至关重要
你无法在摇晃的基础上盖起坚固的房子，EEG分析也是如此。预处理就是那个基础。原始EEG数据天生具有噪声，跳过或仓促进行清洁过程可能会引入损害你整个研究的误差。即使在这些早期阶段出现微小的错误也会扭曲你的发现，使你难以得出准确的结论。
标准化的方法是创建高质量、可靠数据的关键。遵循既定的工作流（例如 PREP pipeline）可确保你的数据每次都能得到一致的清洁。这不仅能提高你自身结果的质量，还能使你的工作更具可重复性，从而允许其他研究人员验证并基于你的发现进行拓展。无论你是从事学术研究还是开发新的 BCI 应用，扎实的预处理都是不可妥协的。
原始EEG数据面临的常见挑战
处理原始EEG数据会遇到一些常见的障碍。最大的挑战是处理伪影，即非来自大脑活动的信号。这些伪影可能是生理性的，如眨眼、心跳和肌肉紧张，也可能是外部的，如来自电源线的电噪声。这些伪影很容易掩盖你试图测量的微妙大脑信号，因此需要小心将其清除。
另一个挑战是数据的庞大体量和复杂性，尤其是在大规模研究中。手动检查和清洁数小时的多通道记录是不切实际的。此外，如果没有标准化的方法，不同的研究人员可能会使用不同的清洁方法。这种变异性使得跨研究比较结果变得困难，并可能减缓科学进展。
预处理EEG数据的标准步骤
把EEG预处理流水线想象成将原始、多噪的脑电波数据转化为干净、可分析的数据集的配方。虽然确切的步骤可能会根据你的研究问题和硬件而有所不同，但存在一个标准的工作流，为大多数项目提供了一个极佳的起点。遵循一致的步骤有助于确保你系统地解决EEG数据中的常见问题，如环境噪声和生物伪影。这种结构化的方法不仅使你的数据更可靠，也使你的发现更容易被复制。
流水线中的每一步都在上一步的基础上进行，逐步提炼信号。从识别故障通道到隔离和消除眨眼，这一过程对于揭示你实际想研究的神经活动至关重要。许多这些标准做法都在成熟的指南中进行了概述，例如 Makoto’s preprocessing pipeline，这为新老研究人员都提供了宝贵的资源。让我们来了解一下标准预处理流水线的核心组成部分。
导入并设置你的数据
你的第一步是将原始EEG数据导入到你选择的分析软件中，例如开源工具 EEGLAB 或 MNE-Python。加载数据后，最关键的设置任务之一是定义你的通道位置。这个过程包括告诉软件每个电极放在头皮上的什么位置。搞对这一点至关重要，因为这能创建你的软件正确可视化大脑活动和执行源分析所需的前景地图。如果没有准确的通道位置，你稍后进行的任何拓扑图或空间过滤都将毫无意义。这是一个奠定基础的一步，为后续的一切做好了准备。
评估并移除坏通道
并非所有通道每次都能完美记录。你经常会发现“坏”通道，它们被持续的噪声污染、与头皮接触不良或只是平线。在早期识别并处理这些通道非常重要。你可以通过滚动浏览数据进行视觉识别，也可以使用自动方法来检测具有异常信号的通道。一旦识别，你要么可以完全移除它们，要么（在许多情况下是更好的选择）插值它们。插值法利用周围好通道的数据来估算坏通道信号应该是什么，从而保护你的数据集完整性和通道数量。
下采样以获得更好的性能
EEG数据通常以非常高的采样率记录，有时超过 1000 Hz。虽然这对于捕获快速神经事件非常好，但它也会创建巨大的文件，在处理过程中可能会使你的计算机变慢。对于许多类型的分析，尤其是专注于事件相关电位 (ERP) 的分析，你不需要那种水平的时间分辨率。下采样将采样率降至更易管理的水平，例如 256 Hz。这简单的一步可以在不丢失分析所需关键信息的情况下，在很大程度上加快后续处理阶段（如滤波和 ICA）的速度。这是提高工作流效率的便捷方法。
应用滤波技术
原始EEG数据充满了来自各种源的噪声，而滤波是你清洁它的主要工具。一个基本的首要步骤是应用高通滤波器，通常在 0.5 Hz 或 1 Hz 左右。该滤波器消除了由汗液伪影或电极移动等引起的极慢、非神经的信号漂移。通过消除这种低频噪声，你可以稳定基线，从而更容易看到你感兴趣的大脑活动。这几乎是每个EEG分析的基础步骤，对于为更先进的技术准备数据至关重要。
选择重参考方法
每个EEG记录都是相对于参考电极进行测量的。然而，记录期间使用的初始参考可能不适合分析。重参考是在数据收集后，通过计算改变参考点的过程。最常见且最有效的方法之一是重参考到公共平均。该技术计算所有电极的平均信号，并将其从每个单独的电极中减去。这有助于将在整个头皮上存在的噪声（如电干扰）降至最低，并可以显著提高你的信噪比。
实施伪影去除
即使滤波之后，你的数据仍会包含伪影，即非大脑产生的信号。这些包括眨眼、肌肉紧张、甚至心跳信号。独立成分分析 (ICA) 是一种用于识别和去除这些伪影的强大数据驱动方法。ICA 的工作原理是将你的多通道EEG数据分离为一组统计独立的成分。然后你可以检查这些成分，确定哪些对应于伪影，并进行清除。这为你留下了干净得多的数据，更准确地反映真实的神经活动，这对于从你的研究中得出有效结论至关重要。
分段并截取你的数据
一旦你的连续数据变干净，最后一步就是将其分割成 Epoch（分段）。一个 Epoch 是与特定事件（如呈现刺激或受试者的反应）锁时的一小段EEG数据。例如，如果你正在研究对图像的反应，你可以创建一个从每个图像出现前 200 毫秒到出现后 1000 毫秒的 Epoch。这一步将你的连续记录转变为有意义的、与事件相关的试次，你可以将它们平均在一起并用于统计分析。它让你能直接研究大脑对特定事件的反应。
哪些是EEG预处理的高频推荐工具？
一旦你了解了这些步骤，下一个问题就是使用哪种工具。你有几个很好的选择，从灵活的开源工具箱到简化整个研究工作流程的集成软件平台。正确的选择取决于你的技术舒适度、研究需求，以及你更喜欢一体化环境还是定制的流水线。让我们来看看一些最受欢迎的选择。
探索 EEGLAB
EEGLAB 是EEG社区中的强大工具，且理由充分。这是一个被广泛使用的 MATLAB 工具箱，专为处理电生理数据而设计，为可视化、预处理和分析提供了一个全面的环境。其最突出的功能之一是其强大的独立成分分析 (ICA)，这是隔离和去除伪影的高频选择。让 EEGLAB 具有多功能性的是其广泛的插件库，允许你添加新功能并根据你确切的实验需求定制软件。如果你在 MATLAB 环境中操作自如，这个工具箱为清洁你的EEG数据提供了一条成熟且强大的途径。
使用 MNE-Python
如果 Python 是你首选的编程语言，那么你在 MNE-Python 中会感到如鱼得水。这个开源库是为处理EEG和 MEG 数据而构建的，将强大的功能与用户友好的界面结合在一起。MNE-Python 为预处理的每个阶段提供了一整套工具，从滤波和分段到伪影抑制。因为它是更大的 Python 科学计算生态系统的一部分，因此你可以轻松地将其与其他流行库集成以进行更复杂的分析。对于任何想要开源软件的灵活性和协作特性的人来说，这是一个极佳的选择。
使用 FieldTrip
另一个杰出的基于 MATLAB 的选择是 FieldTrip，这是一个专为分析 MEG 和 EEG 数据开发的工具箱。FieldTrip 真正闪光的地方在于它的灵活性。它较少作为一个图形工具，更多是一组你可以通过脚本结合在一起来构建完全定制分析流水线的结构化函数。这种方法允许你对工作流的每一步进行细粒度控制，并且特别适合高级统计分析。如果你的研究需要高度定制的方法，并且你喜欢对你的分析编写脚本，FieldTrip 提供了构建能完美配合你设计的工作流框架。
使用 Emotiv 软件简化你的工作流程
对于那些想要集成体验的人，我们的 EmotivPRO 软件旨在简化整个研究过程。这是一个多功能平台，可帮助你在一个地方收集、管理和分析EEG数据。EmotivPRO 将实验设计、数据采集和分析融合在一个屋檐下，而无需拼凑不同的工具。它旨在与我们全系列的头戴式设备无缝配合，从我们的便携式 2 通道设备到高级高密度系统，如 Flex。这使得运行复杂的实验和快速进入分析阶段变得更容易，使你能够更专注于你的研究问题。
滤波器是如何清洁你的EEG数据的
可以把原始EEG数据想象成来自繁华街道的现场音频录音。你可以听到你想捕获的对话，但它混杂着交通、风和远处警笛的声音。滤波是通过消除所有不必要的背景噪声来隔离该对话的过程。在EEG中，这种“噪声”可以来自许多源，包括肌肉运动、眨眼、电源插座的电干扰，甚至是皮肤出汗引起的信号慢漂移。
在任何EEG预处理流水线中，应用滤波器都是极其基础的一步。它清洁数据，以便你能更清楚地看到你感兴趣的大脑活动。没有它，这些伪影很容易污染你的结果，导致错误的解读。其目标是消除你感兴趣范围之外的频率，同时保护这之中的重要神经信号。不同类型的滤波器针对不同种类的噪声。例如，一些设计用于滤除低频漂移，而另一些则可以消除来自电气设备的高频蜂鸣声。使用正确的滤波器组合可确保你的最终数据集干净、可靠且可用于分析。
实施高通滤波器
高通滤波器是你对抗数据中缓慢滚动伪影的第一道防线。顾名思义，它允许较高的频率“通过”，同时阻断极低的频率。这对于消除与大脑活动无关的缓慢信号漂移特别有用。最常见的罪魁祸首之一是汗水，它会在EEG信号中创建缓慢的波状模式，从而掩盖你实际想看到的数据。
通过应用高通滤波器，你可以有效清洁这种噪声。标准的 preprocessing pipeline 通常建议将截止频率设置在 0.5 Hz 或 1 Hz 左右。这告诉滤波器移除任何慢于该阈值的信号成分，在不影响你分析所需的较快脑电波频率的情况下稳定基线。
应用低通滤波器
虽然高通滤波器可以消除慢噪声，但低通滤波器踩下的方向相反：它消除过快的高频噪声。这种类型的噪声通常来自肌肉活动 (EMG)，尤其是由于咬紧牙关或使颈部肌肉紧张，以及来自附近设备的电干扰。这些高频伪影可能会使你的EEG信号带上毛躁、锯齿状的质量，从而难以解读底下的大大脑活动。
应用低通滤波器可以通过让较低频率通过而切断高频噪声的方式平滑数据。这是分离你想研究的脑电波频段（例如阿尔法、贝塔或西塔波）最关键的 EEG preprocessing methods 之一。常用的做法是把截止频率设置在你最感兴趣频段的上方，例如 40 Hz 或 50 Hz。
使用陷波滤波器去除工频干扰
陷波滤波器是一种高度专业化的工具，旨在消除一个非常具体且常见的问题：来自电力线的电气干扰。这种干扰（被称为 line noise）表现为单一频率下的持续蜂鸣声。根据你身处世界何处，这将是 60 Hz（在北美）或 50 Hz（在欧洲和许多其他地区）。这种恒定的伪影力量可能足够强大，从而盖过你试图测量的微妙神经信号。
陷波滤波器的运作原理是针对并移除该单一频率（有时是其谐波），而不影响你的其余数据。这就像用手术剪剪掉一根特定的线。应用 50 Hz 或 60 Hz 的陷波滤波器是确保你的EEG数据干净、无环境电噪声的标准且必要的步骤。
何时使用带通滤波器
带通滤波器本质上是一个二合一工具，结合了高通和低通滤波器的功能。它不仅仅是切断高于或低于某个点频率，它还允许你隔离一个特定的频率范围。当你的研究问题聚焦于某一特定的脑电波时，这非常有用，比如与放松状态相关的阿尔法波（通常是 8-12 Hz），或者与积极专注相关的贝塔波（13-30 Hz）。
你会使用带通滤波器来丢弃该特定范围之外的一切。例如，在许多情绪识别研究中，研究人员可能会应用 4 Hz 至 45 Hz 的带通滤波器，以专注于西塔、阿尔法和贝塔频段。这种技术可实现更有针对性的分析，帮助你只专注于与你工作最相关的大脑活动。
哪些伪影去除技术最有效？
过滤数据之后，下一个关键步骤是解决伪影。这些是污染你EEG记录的有害信号，来自于眨眼、肌肉紧张甚至电干扰等源。清除它们对于让你清晰看清你实际想研究的大脑活动至关重要。对于任何情况，并没有单一的“最佳”方法；正确的途径通常取决于你的特定数据和研究目标。有些技术对于捕捉可预测的噪声（如眨眼）非常好，而另一些设计则是为了自动标记并消除混乱的数据段。
最有效的策略通常涉及方法的结合。例如，你可能会使用一种技术来隔离和消除眼部运动，使用另一种技术来清洁残留的肌肉噪声。了解不同伪影清除工具的长处将有助于你构建一个稳健的流水线，从而为你留下高质量、可靠的数据。让我们一起探求下一些你可以使用的最常见且有效的方法，包括独立成分分析 (ICA) 和用于清洁记录的 Automatic Artifact Rejection (ASR)。
使用独立成分分析 (ICA)
独立成分分析（ICA）是一种强大的统计方法，其工作原理是将你混合的EEG信号分成一组潜在的独立源。可以把它想象成在有多个人同时说话的房间里；ICA 帮助你从混合噪声中隔离出每个人的声音。这使得它对于识别并消除具有一致模式的陈式化伪影非常有效，例如眨眼、水平眼动、甚至一些心跳信号。多名研究人员都视其为首选工具，并且它是公认工作流（如 Makoto’s preprocessing pipeline）中的核心组成部分。通过运行 ICA，你可以查明代表噪声的成分并直接清除它们，从而留下更干净的大脑数据。
利用在线伪影去除 (ASR)
如果你在处理大型数据集，手动检查数据中的每一秒伪影是不现实的。这就需要自动伪影检测（ASR）的介入。ASR 是一种自动识别和剔除噪声过大段的算法。它的工作原理不仅寻找你数据中的干净部分作为参考，还会移除偏离该基线过多的任何其他部分。该技术是标准化工作流（例如 PREP pipeline）的基石，因为它提供了一种客观、可重复的清洁数据方式。ASR 能够大大节省时间，并有助于确保你在多个记录中的预处理保持一致。
处理眼部和肌肉伪影
在EEG污染方面，眼部和肌肉运动是两个最主要的罪魁祸首。一次简单的眨眼或咬合颚部动作就会产生巨大的电信号，完全掩盖底下的大脑活动。正如我们所介绍的，ICA 在隔离这些种类的伪影方面表现突出。为了获得更好的结果，许多研究人员建议使用专门的 EOG（眼电图）通道来直接记录眼部动作。这为你的 ICA 算法提供了一个更清楚可以锁定的信号，使其更容易识别并从你的EEG通道中扣除与眼部相关的噪声。类似地，来自肌肉紧张（尤其是在下颌和颈部）的 EMG（肌电图）信号也可以通过这些技术得以识别和去除。
实时处理的注意事项
当你在使用需要即时响应的应用（如脑机接口）时，你的预处理必须足够快。你不能容忍在系统清洁数据时出现漫长延迟。一些高计算强度的算法，如运行完整的 ICA 分解，对于实时运行而言过于缓慢。这时候计算效率更高的技术就体现了价值。像 ASR 这样的方法在这里特别管用，因为它们能够随时识别并拒绝坏数据段，同时不会引入明显的滞后。关键是要在多彻底清除数据和需要结果有多迅速之间找到平衡。
预处理期间你可以预期遇到哪些挑战？
预处理EEG数据可能既感觉像一门艺术，也像一门科学。虽然目标总是获得尽可能干净的数据，但通往该目标的道路并非总是一帆风顺。你可能会遇到一些常见的障碍，从应对不一致的方法到确保你的清洁步骤不会意外产生新问题。让我们来了解一些主要的挑战以及你可以如何应对它们。
避免常见的预处理误区
EEG领域中最大的挑战之一是预处理中缺乏标准化。不同的实验室和研究人员经常使用略微不同的方法来清洁其数据，这可能使得比较结果或合并来自各种来源的数据集变得有些困难。这并不是指一种方法是“正确”的而另一种是“错误”的，但这种不一致性会减缓协作进展。应对此情况的最佳方式是选择一个文档齐全、建立成熟的流水线，并坚持使用它。清晰记录你所采取的每一个步骤，不仅有助于你保持一致，还能使你的研究对其他人更具透明性和可复现性。
解决秩亏缺问题
如果你曾运行过独立成分分析 (ICA) 并遇到令人困惑的错误，你可能遇到了秩亏缺（Rank-Deficiency）问题。这听起来很复杂，但它其实只是意味着你的一些EEG通道之间不再相互独立。这经常在执行重参考或插值坏通道等步骤后发生。当你基于其他通道的数据为某个通道创建数据时，它在数学上就变得多余。关键是要正确告诉你的 ICA 算法实际应该在你的rank-deficient data中寻找多少个独立信号。这可以确保算法能正常运行并给你带来有意义的成分。
为什么你的处理顺序至关重要
预处理步骤的顺序极为重要。如果不按正确顺序执行，会引入伪影或在之后很难修正的方式扭曲你的数据。例如，如果你在识别并移除多噪的通道之前应用了滤波器，来自这些坏通道的伪影可能会弥散在你的整个数据集。成熟的工作流（例如 PREP 流程）已经确定了一个optimal processing order来避免这些问题。遵循一套经证实的顺序，例如在滤波和重参考之前移除坏通道，有助于确保每个步骤对数据进行清洗，而不会在后文中带来新麻烦。
如何验证你的数据质量
你怎么知道你的预处理是否成功？你需要一种方法来检查你的工作。视觉检查永远是你的第一道防线；在清洗前后滚动浏览你的数据能给你带来良好的质量直观感受。除此之外，大量流水线都能生成强调关键度量的自动化摘要报告。作为实际的基准，一个共同的目标是应剔除由于伪影产生的约 5–10% 的 Epoch。你可以通过设置振幅阈值或者采用类似于improbability tests的统计测量自动标志噪声过大的片段，确保你的最终数据集干净且可靠。
标准化如何改善研究可重复性
在科学研究中，可重复性就是一切。它是指另一个研究人员能够采用你的方法、将其应用于你的数据，并获得相同的研究结果。不幸的是，神经科学领域在这方面面临了重大挑战。当涉及到EEG数据时，你在预处理期间所做的巨量选择可能会构成一个主要障碍。如果两个实验室分析相同的数据集，但采用略微不同的滤波参数或伪影剔除技术，他们得到的结果可能大相径庭。这导致难以验证发现并奠定可靠的知识体系。
采用标准化的预处理流水线是应对这一问题最有效的方法。标准化的途径意味着团队或协作组中的所有人均同意使用相同的步骤、工具和参数以清洁数据。这种一致性消除了作为变量的预处理工作流，确保结果中发现的任何差异都来自于实验本身，而不是数据清洗流程。它为数据分析创建了一种通用语言，使跨课题的结果比较及在大规模项目上的协作变得更加容易。通过建立清晰、一致的协定，你在为更稳健、更值得信赖的科学研究做出贡献。
PREP流水线的好处
标准化工作流中最著名的例子之一是 The PREP pipeline。将其视为清洁原始EEG数据的一份详尽、经过同行审阅的配方。它的核心目的是建立一个鲁棒、标准化的规程，可用于为大规模分析准备EEG数据。该流水线包含解决常见问题（例如工频干扰、坏通道、和重参考）的具体步骤。通过遵循像 PREP 这类经证明有效的规程，你能更有信心认为你的数据是干净的，并且你的方法是合理的。它免去了预处理中大量的猜测，并有助于确保你的数据已为你接下来的分析规划做好了准备。
为什么标准化规程是关键
使用标准化规程指的不仅仅是遵循特定的流水线（如 PREP），它更是对保持一致性的郑重承诺。当你为一个项目建立一个单一、不发生变化的规程时，实际上你在为你的分析奠定一个稳固的基础。这对于纵向研究或有多套数据收集点的特殊工程极为重要。如果在中途更改了预处理步骤，则会引入可能影响研究结果的变量。标准化程序允许每套数据集得到完全一致的对待，如此一来，你能相信所发现的变化是真实的。这种严密性在很大程度上令你的发现更有说服力，研究也更加可信。
整合来自不同站点的数据
你曾尝试合并过来自不同实验室的数据集吗？那可能会令人倍感头痛。如果每个实验室都使用自己独特的预处理方法，你最终会有些像在进行苹果和橙子的比较。这种一致性的缺乏令合并大型分析数据集变得几乎不可能，限制了研究发现的统计效率及普适性。标准化流水线通过创造通用的数据准备框架，解决了这一局限性。当多个研究站点都同意使用同一个流水线时，他们的数据就变得可互操作了。这为强合作研究项目和元分析开启了崭新的大门，它们能够回答比单个实验室所独立应对的更庞大的科学提问。
良好记录的重要性
标准化的流水线是一样强有力的工具，但只有在留档充分时才最为有效。一丝不苟记录信息是可重复研究中不容商榷的部分。对于处理的每个数据集，你应该记录下经历的每个步骤。这包括你所使用的软件和版本号（如 EEGLAB 或 MNE-Python）、为每个函数设定的具体参数，以及指导你做出那些决策背后的思路。这种书面材料往往以脚本或细致日志的形式呈现，为任何想要重复你工作的学者提供了清晰明了的路线图。它提升了通透度，令科学界能够妥善评估并建立在你的成果之上。
不同硬件如何改变预处理的需求？
你选择的EEG硬件将直接影响你的预处理策略。适合拥有 32 通道、基于实验室设备的流水线，对于拥抱 2 通道、便携式设备的学者而言可能并非最佳。通道数量、传感器类别、以及收集数据的周遭环境统妥妥扮演重要的角色。理解你硬件的独特本领是迈向构建高效预处理工作流的第一步，以此助你获得清洗可靠的数据。
多通道设备的预处理
当你在使用像我们 Flex 这样高密度的EEG系统时，你应对的是海量数据。这种充盈性对于细微的大脑分析非常棒，但它也意味着你的预处理流水线必须足够强壮。由于通道数量成倍增加，遇到会污染全套数据集的多噪或“坏”通道的概率将会大大提升。这也是为什么严谨的通道审查和删除剔除是如此地核心。多通道数据的复杂性也极度表明自动算法是一项出色的帮助，但它们在后续依然应该跟进眼见为实的检查，确保关键信息没有被疏忽。
便携式EEG数据预处理的贴士
便携式EEG设备（如 Epoc X）在现实环境探索中打开了大门，这非常激动人心。然而，“在野外”收集的数据更容易受到来自头部动作、步行或仅仅是交谈造成的运动伪影。你针对移动设备的预处理流水线应当包含优秀的伪影去除法，比如独立成分分析 (ICA) 用以阻断和去除这些非脑活动的电平迹象。采用专门为此用途量身定做的配套软件（如 EmotivPRO）能够很好地推动这一阶段，因其研发初衷便是应对旅行拍摄中数据获取的独特多变性。
评估不同设备之间的信号质量
无论针对何种设备，衡量其信号质量是一项无需争论的操作。仅单个变坏的传感器即可打破你结果的平衡，特别是当你使用重参考计算让噪通道杂质铺满周边无辜通道时。在进入下一步执行之前，留出一些时间去肉眼核对下你的原始数据吧。留意平铺、噪度离奇、或者发生大漂移特征的通道。许多系统在数字化上就提供了关于传感品质在量上的综合分析方案。早早确认并与那些难解的故障发生点沟通会免去日后诸多繁琐困窘，同时还维系了数据集的一体性。
识别与硬件特异有关的伪影
每一个EEG装置都有自己的一些习性。诸如无线组件有时候可能会出现数据包丢失，体现出来的往往是数据线段上的微小缺片。有些探测器种类也许极度敏于汗渍或身旁日常用电设备派生的电网侵染。养出熟悉手头硬核装置脾气的习惯。在学术研究领域往往会有专注于分享攻克这些特定装置局限处理技艺的相关科学文章发表，它们对你而言可能是无价库藏。明白在预备看什么不仅会使你定制具有偏向性的降噪操作，还极为精确地对特定环境常见噪点做出有力还击。
EEG预处理流水线的最佳实践
优秀预处理流程等同于备受推崇、信赖的美味妙招：对步骤的重复执守助你获得始终卓越的成果。它围绕构造有序的方式洗脱资料而设，由此为你对研究的研判奉上扎实支撑本领。这绝非随手运行某行代码草草了事；它牵扯深度明晰前后的衔接关系，并一字一句地促成知情、具备推敲基础决策。依据优异规范的实施开展，你节省了宝贵光阴。此法在你是单独操作，抑或是承接地道的、需要公开分享的学术研究方面皆无出其右。
设立视觉辨验规程
在任意程序着手改动那些记录前。何不花上一点空档亲眼凝视打量其样貌？一个明快的扫视可能会暴露那些连最高明AI也极易忽视的情况，就犹如彻底坏损的传感部分和充溢极端颤乱信号的乱况。将这设定为排查严重质感漏洞的第一哨点。如此直观和朴素的观察，能够帮你提前体会资料脾性、令随后的全自动运行更圆滑，并在后续省下由于离奇变故导致的庞大纠错损耗。
选取恰如其分的各项设定
针对过滤器和演算体系你配置的细节会对最后的成果好坏带来不可小觑的干涉。例如 1 Hz 高通选择在解决由于汗津移动导致的背景浮颤方面是极其受推崇和普遍的选择，况且极好保护神经活动。另一个核心要领是对计算精度进行严控。像针对标准化规程 PREP pipeline 的学术发表清晰指出，选择“双精度”这种超微细数学设定必不可少。不够高精的计算反而在洁净阶段带入隐形的误差。开路便将其做对极大保证整套资料不发生变形。
设立质监审查锚点
在工作流中加入一套审查机制是以不变应万变、长期恒定维稳的关键。其绝非一蹴而就去洗一次。这是一个持续跟踪的工序。一套得力的常设方案在判定弃用有瑕疵的段落在 5%–10% 这样一个区间最为公道和适度。你可以把特定数值写进机器协助完成。但是更棒的是生成预备各式的记录以跟踪总体走向情景。这为研究铺平了一条通透、具有说明的通路，并帮你在大批量分析中随时定位偏差区域。
优化你的作业连贯流程
在敲定了各个具体的细化设定和实施操作后，接下来的当务之急即是构建连贯、可自我重复推进的高效体系。使用标准一致的操作确保每个项目都被公正等价度量。这在有复数场次以及跨组多合一研判中更加是重中之重。我们的系统服务如 EmotivPRO 应此创制，助你在建构和维系此类作业顺畅连贯时提供稳健配合，从而让每一路录音都在同一个基准线上被审视，使计算格外顺畅和安心。
相关文章
循序渐进的 EEG 实验设计指南
EEG 时频分析：它是什么以及它为什么重要
常见问题解答
对于刚刚起步的新手，预处理中最重要的一步是什么？ 在你应用任何滤波器或运行任何算法之前，务必总是以视觉检查原始数据开始。简单滚动浏览记录可以帮助你发现主要问题，比如完全没有波形的通道，或是一个充满极端噪声的通道。这个简单的检查让你对数据的整体质量有一个直观感受，并能早期发现故障通道。手动捕获这些明显的问题可以防止它们在随后的自动加工中损坏数据集的其余部分。
我可以单纯依赖自动化工具来清洁我的数据吗？ 像 ASR 这样的自动化工具非常有用，尤其是在处理大型数据集时。但它们最适合作为你个人判断的伴侣来发挥作用。较好的习惯是允许自动化技术来承担繁重的工作，之后再辅以视觉核对以此来锁定最后的结果。把这想象为一次协作——算法帮你划出疑似点，而最终的决定是由你做出的。这一折中的途径排除了过度剔除的情形，同时保留了只由人的经验才能理清的细节。
我该怎样去判断在去除伪影的过程中我是否丢弃了过多数据？ 一个理想的标尺是将因为含有伪影而舍弃的 Epoch 比例，控制在大体 5 至 10 个百分点中。这是一条一般性准则，而非限制性条款。如果发现连续剔除了比这一幅度大得多的比额，这很可能说明采集初期就存在故障——比如传感器极度贴合不力或是受试者动静太大。目标并不是卡死在某个数字上，而是要在尽可能保存干净可用资料的前提下排除显性的噪点成分。
过滤手段和类似于 ICA 等伪影滤除术有什么关键本质不同？ 不妨从这一角度来看：滤波有点像从音轨里洗掉一份持续且有预期波动的噪声，比如空调的蜂鸣。它在所有的通道上针对着特定一段波段。而利用类似于独立成分分析（ICA）的技艺则更像在追捕洗去一段间断出现的突兀杂音，如一次大声的咳嗽或者拍门声。ICA 研发目标锁定在揪出具有明显固定波峰走势的脉冲（如眨一下眼睛），随后将该特定的成分从中予以抽除。两种方案相辅相成才是一个彻底清洁的手套。
针对便携式设备，我的流水线是否一定要有别于科研级高密度设备？ 毫无疑问，你需要让你的流水线去适应硬件的特征。虽说底层的核心原理是一样的，但是来自于随身款设备“在自然环境下采集”的数据往往在比例上承受更多动作幅度带来的伪影侵染。鉴于这个缘故，像 ICA 等高阶去伪方法便越发核心。而反观高密度实验装，你有更多参考成分参与计算，与此同时你遇到部分点位失准坏掉的情形也更多，由此前期的排障审查通道操作就极为必不可少。
可以把原始的EEG数据想象成刚从地下挖出来的未经提炼的矿石。它包含你正在寻找的贵金属，但也混杂着泥土、岩石和其他杂质。在原始状态下，你无法用它做任何有用的事情。提炼矿石的过程——破碎、分离和纯化——正是eeg preprocessing pipeline为你的大脑数据所做的事情。这是一系列系统化的步骤，旨在消除由于肌肉运动、眨眼和电干扰产生的噪声。本指南将引导你完成该提炼过程，确保你分析的数据干净、可靠并能准备好产出有价值的洞察。
关键要点
从一个坚实的清洁计划开始：原始EEG数据天生就有很多噪声，因此创建一个循序渐进的预处理流水线是消除肌肉紧张和电蜂鸣等伪影的唯一方法，从而确保你的分析建立在可靠的基础之上。
为工作使用正确的工具：标准的工作流涉及几个关键步骤，因此利用滤波器来消除信号漂移和工频干扰，然后应用独立成分分析 (ICA) 等强大的方法来隔离并消除特定的伪影，例如眨眼。
记录一切以获得可重复的结果：为了产生可信的研究，一致性至关重要，因此应采用标准化的流水线并记录每个参数和决定，使你的工作透明并可供他人验证。
什么是EEG预处理流水线？
可以将EEG预处理流水线想象为针对你大脑数据的专业过滤器。当你第一次收集EEG信号时，它们充满了原始、未过滤的信息。这包括你想研究的有价值的大脑活动，但它也包含很多噪声，如来自灯光的电干扰或咬紧牙关引起的肌肉运动。预处理流水线是你应用于清洁这些原始数据的一系列标准化步骤，使其为分析做好准备。
之所以被称为“流水线（pipeline）”，是因为数据是以特定顺序流经一系列处理阶段。每个步骤执行不同的任务，如移除坏通道、滤除特定频率或识别并减去伪影。例如，一个步骤可能会消除信号中的低频漂移，而下一步则针对来自电源插座的 60 Hz 蜂鸣声。当数据从流水线的另一端出来时，它已经干净得多，并且更专注于你所关心的神经活动。这一过程对于从你的EEG记录中获取有意义且可靠的结果绝对是必不可少的。
为什么预处理你的EEG数据至关重要
你无法在摇晃的基础上盖起坚固的房子，EEG分析也是如此。预处理就是那个基础。原始EEG数据天生具有噪声，跳过或仓促进行清洁过程可能会引入损害你整个研究的误差。即使在这些早期阶段出现微小的错误也会扭曲你的发现，使你难以得出准确的结论。
标准化的方法是创建高质量、可靠数据的关键。遵循既定的工作流（例如 PREP pipeline）可确保你的数据每次都能得到一致的清洁。这不仅能提高你自身结果的质量，还能使你的工作更具可重复性，从而允许其他研究人员验证并基于你的发现进行拓展。无论你是从事学术研究还是开发新的 BCI 应用，扎实的预处理都是不可妥协的。
原始EEG数据面临的常见挑战
处理原始EEG数据会遇到一些常见的障碍。最大的挑战是处理伪影，即非来自大脑活动的信号。这些伪影可能是生理性的，如眨眼、心跳和肌肉紧张，也可能是外部的，如来自电源线的电噪声。这些伪影很容易掩盖你试图测量的微妙大脑信号，因此需要小心将其清除。
另一个挑战是数据的庞大体量和复杂性，尤其是在大规模研究中。手动检查和清洁数小时的多通道记录是不切实际的。此外，如果没有标准化的方法，不同的研究人员可能会使用不同的清洁方法。这种变异性使得跨研究比较结果变得困难，并可能减缓科学进展。
预处理EEG数据的标准步骤
把EEG预处理流水线想象成将原始、多噪的脑电波数据转化为干净、可分析的数据集的配方。虽然确切的步骤可能会根据你的研究问题和硬件而有所不同，但存在一个标准的工作流，为大多数项目提供了一个极佳的起点。遵循一致的步骤有助于确保你系统地解决EEG数据中的常见问题，如环境噪声和生物伪影。这种结构化的方法不仅使你的数据更可靠，也使你的发现更容易被复制。
流水线中的每一步都在上一步的基础上进行，逐步提炼信号。从识别故障通道到隔离和消除眨眼，这一过程对于揭示你实际想研究的神经活动至关重要。许多这些标准做法都在成熟的指南中进行了概述，例如 Makoto’s preprocessing pipeline，这为新老研究人员都提供了宝贵的资源。让我们来了解一下标准预处理流水线的核心组成部分。
导入并设置你的数据
你的第一步是将原始EEG数据导入到你选择的分析软件中，例如开源工具 EEGLAB 或 MNE-Python。加载数据后，最关键的设置任务之一是定义你的通道位置。这个过程包括告诉软件每个电极放在头皮上的什么位置。搞对这一点至关重要，因为这能创建你的软件正确可视化大脑活动和执行源分析所需的前景地图。如果没有准确的通道位置，你稍后进行的任何拓扑图或空间过滤都将毫无意义。这是一个奠定基础的一步，为后续的一切做好了准备。
评估并移除坏通道
并非所有通道每次都能完美记录。你经常会发现“坏”通道，它们被持续的噪声污染、与头皮接触不良或只是平线。在早期识别并处理这些通道非常重要。你可以通过滚动浏览数据进行视觉识别，也可以使用自动方法来检测具有异常信号的通道。一旦识别，你要么可以完全移除它们，要么（在许多情况下是更好的选择）插值它们。插值法利用周围好通道的数据来估算坏通道信号应该是什么，从而保护你的数据集完整性和通道数量。
下采样以获得更好的性能
EEG数据通常以非常高的采样率记录，有时超过 1000 Hz。虽然这对于捕获快速神经事件非常好，但它也会创建巨大的文件，在处理过程中可能会使你的计算机变慢。对于许多类型的分析，尤其是专注于事件相关电位 (ERP) 的分析，你不需要那种水平的时间分辨率。下采样将采样率降至更易管理的水平，例如 256 Hz。这简单的一步可以在不丢失分析所需关键信息的情况下，在很大程度上加快后续处理阶段（如滤波和 ICA）的速度。这是提高工作流效率的便捷方法。
应用滤波技术
原始EEG数据充满了来自各种源的噪声，而滤波是你清洁它的主要工具。一个基本的首要步骤是应用高通滤波器，通常在 0.5 Hz 或 1 Hz 左右。该滤波器消除了由汗液伪影或电极移动等引起的极慢、非神经的信号漂移。通过消除这种低频噪声，你可以稳定基线，从而更容易看到你感兴趣的大脑活动。这几乎是每个EEG分析的基础步骤，对于为更先进的技术准备数据至关重要。
选择重参考方法
每个EEG记录都是相对于参考电极进行测量的。然而，记录期间使用的初始参考可能不适合分析。重参考是在数据收集后，通过计算改变参考点的过程。最常见且最有效的方法之一是重参考到公共平均。该技术计算所有电极的平均信号，并将其从每个单独的电极中减去。这有助于将在整个头皮上存在的噪声（如电干扰）降至最低，并可以显著提高你的信噪比。
实施伪影去除
即使滤波之后，你的数据仍会包含伪影，即非大脑产生的信号。这些包括眨眼、肌肉紧张、甚至心跳信号。独立成分分析 (ICA) 是一种用于识别和去除这些伪影的强大数据驱动方法。ICA 的工作原理是将你的多通道EEG数据分离为一组统计独立的成分。然后你可以检查这些成分，确定哪些对应于伪影，并进行清除。这为你留下了干净得多的数据，更准确地反映真实的神经活动，这对于从你的研究中得出有效结论至关重要。
分段并截取你的数据
一旦你的连续数据变干净，最后一步就是将其分割成 Epoch（分段）。一个 Epoch 是与特定事件（如呈现刺激或受试者的反应）锁时的一小段EEG数据。例如，如果你正在研究对图像的反应，你可以创建一个从每个图像出现前 200 毫秒到出现后 1000 毫秒的 Epoch。这一步将你的连续记录转变为有意义的、与事件相关的试次，你可以将它们平均在一起并用于统计分析。它让你能直接研究大脑对特定事件的反应。
哪些是EEG预处理的高频推荐工具？
一旦你了解了这些步骤，下一个问题就是使用哪种工具。你有几个很好的选择，从灵活的开源工具箱到简化整个研究工作流程的集成软件平台。正确的选择取决于你的技术舒适度、研究需求，以及你更喜欢一体化环境还是定制的流水线。让我们来看看一些最受欢迎的选择。
探索 EEGLAB
EEGLAB 是EEG社区中的强大工具，且理由充分。这是一个被广泛使用的 MATLAB 工具箱，专为处理电生理数据而设计，为可视化、预处理和分析提供了一个全面的环境。其最突出的功能之一是其强大的独立成分分析 (ICA)，这是隔离和去除伪影的高频选择。让 EEGLAB 具有多功能性的是其广泛的插件库，允许你添加新功能并根据你确切的实验需求定制软件。如果你在 MATLAB 环境中操作自如，这个工具箱为清洁你的EEG数据提供了一条成熟且强大的途径。
使用 MNE-Python
如果 Python 是你首选的编程语言，那么你在 MNE-Python 中会感到如鱼得水。这个开源库是为处理EEG和 MEG 数据而构建的，将强大的功能与用户友好的界面结合在一起。MNE-Python 为预处理的每个阶段提供了一整套工具，从滤波和分段到伪影抑制。因为它是更大的 Python 科学计算生态系统的一部分，因此你可以轻松地将其与其他流行库集成以进行更复杂的分析。对于任何想要开源软件的灵活性和协作特性的人来说，这是一个极佳的选择。
使用 FieldTrip
另一个杰出的基于 MATLAB 的选择是 FieldTrip，这是一个专为分析 MEG 和 EEG 数据开发的工具箱。FieldTrip 真正闪光的地方在于它的灵活性。它较少作为一个图形工具，更多是一组你可以通过脚本结合在一起来构建完全定制分析流水线的结构化函数。这种方法允许你对工作流的每一步进行细粒度控制，并且特别适合高级统计分析。如果你的研究需要高度定制的方法，并且你喜欢对你的分析编写脚本，FieldTrip 提供了构建能完美配合你设计的工作流框架。
使用 Emotiv 软件简化你的工作流程
对于那些想要集成体验的人，我们的 EmotivPRO 软件旨在简化整个研究过程。这是一个多功能平台，可帮助你在一个地方收集、管理和分析EEG数据。EmotivPRO 将实验设计、数据采集和分析融合在一个屋檐下，而无需拼凑不同的工具。它旨在与我们全系列的头戴式设备无缝配合，从我们的便携式 2 通道设备到高级高密度系统，如 Flex。这使得运行复杂的实验和快速进入分析阶段变得更容易，使你能够更专注于你的研究问题。
滤波器是如何清洁你的EEG数据的
可以把原始EEG数据想象成来自繁华街道的现场音频录音。你可以听到你想捕获的对话，但它混杂着交通、风和远处警笛的声音。滤波是通过消除所有不必要的背景噪声来隔离该对话的过程。在EEG中，这种“噪声”可以来自许多源，包括肌肉运动、眨眼、电源插座的电干扰，甚至是皮肤出汗引起的信号慢漂移。
在任何EEG预处理流水线中，应用滤波器都是极其基础的一步。它清洁数据，以便你能更清楚地看到你感兴趣的大脑活动。没有它，这些伪影很容易污染你的结果，导致错误的解读。其目标是消除你感兴趣范围之外的频率，同时保护这之中的重要神经信号。不同类型的滤波器针对不同种类的噪声。例如，一些设计用于滤除低频漂移，而另一些则可以消除来自电气设备的高频蜂鸣声。使用正确的滤波器组合可确保你的最终数据集干净、可靠且可用于分析。
实施高通滤波器
高通滤波器是你对抗数据中缓慢滚动伪影的第一道防线。顾名思义，它允许较高的频率“通过”，同时阻断极低的频率。这对于消除与大脑活动无关的缓慢信号漂移特别有用。最常见的罪魁祸首之一是汗水，它会在EEG信号中创建缓慢的波状模式，从而掩盖你实际想看到的数据。
通过应用高通滤波器，你可以有效清洁这种噪声。标准的 preprocessing pipeline 通常建议将截止频率设置在 0.5 Hz 或 1 Hz 左右。这告诉滤波器移除任何慢于该阈值的信号成分，在不影响你分析所需的较快脑电波频率的情况下稳定基线。
应用低通滤波器
虽然高通滤波器可以消除慢噪声，但低通滤波器踩下的方向相反：它消除过快的高频噪声。这种类型的噪声通常来自肌肉活动 (EMG)，尤其是由于咬紧牙关或使颈部肌肉紧张，以及来自附近设备的电干扰。这些高频伪影可能会使你的EEG信号带上毛躁、锯齿状的质量，从而难以解读底下的大大脑活动。
应用低通滤波器可以通过让较低频率通过而切断高频噪声的方式平滑数据。这是分离你想研究的脑电波频段（例如阿尔法、贝塔或西塔波）最关键的 EEG preprocessing methods 之一。常用的做法是把截止频率设置在你最感兴趣频段的上方，例如 40 Hz 或 50 Hz。
使用陷波滤波器去除工频干扰
陷波滤波器是一种高度专业化的工具，旨在消除一个非常具体且常见的问题：来自电力线的电气干扰。这种干扰（被称为 line noise）表现为单一频率下的持续蜂鸣声。根据你身处世界何处，这将是 60 Hz（在北美）或 50 Hz（在欧洲和许多其他地区）。这种恒定的伪影力量可能足够强大，从而盖过你试图测量的微妙神经信号。
陷波滤波器的运作原理是针对并移除该单一频率（有时是其谐波），而不影响你的其余数据。这就像用手术剪剪掉一根特定的线。应用 50 Hz 或 60 Hz 的陷波滤波器是确保你的EEG数据干净、无环境电噪声的标准且必要的步骤。
何时使用带通滤波器
带通滤波器本质上是一个二合一工具，结合了高通和低通滤波器的功能。它不仅仅是切断高于或低于某个点频率，它还允许你隔离一个特定的频率范围。当你的研究问题聚焦于某一特定的脑电波时，这非常有用，比如与放松状态相关的阿尔法波（通常是 8-12 Hz），或者与积极专注相关的贝塔波（13-30 Hz）。
你会使用带通滤波器来丢弃该特定范围之外的一切。例如，在许多情绪识别研究中，研究人员可能会应用 4 Hz 至 45 Hz 的带通滤波器，以专注于西塔、阿尔法和贝塔频段。这种技术可实现更有针对性的分析，帮助你只专注于与你工作最相关的大脑活动。
哪些伪影去除技术最有效？
过滤数据之后，下一个关键步骤是解决伪影。这些是污染你EEG记录的有害信号，来自于眨眼、肌肉紧张甚至电干扰等源。清除它们对于让你清晰看清你实际想研究的大脑活动至关重要。对于任何情况，并没有单一的“最佳”方法；正确的途径通常取决于你的特定数据和研究目标。有些技术对于捕捉可预测的噪声（如眨眼）非常好，而另一些设计则是为了自动标记并消除混乱的数据段。
最有效的策略通常涉及方法的结合。例如，你可能会使用一种技术来隔离和消除眼部运动，使用另一种技术来清洁残留的肌肉噪声。了解不同伪影清除工具的长处将有助于你构建一个稳健的流水线，从而为你留下高质量、可靠的数据。让我们一起探求下一些你可以使用的最常见且有效的方法，包括独立成分分析 (ICA) 和用于清洁记录的 Automatic Artifact Rejection (ASR)。
使用独立成分分析 (ICA)
独立成分分析（ICA）是一种强大的统计方法，其工作原理是将你混合的EEG信号分成一组潜在的独立源。可以把它想象成在有多个人同时说话的房间里；ICA 帮助你从混合噪声中隔离出每个人的声音。这使得它对于识别并消除具有一致模式的陈式化伪影非常有效，例如眨眼、水平眼动、甚至一些心跳信号。多名研究人员都视其为首选工具，并且它是公认工作流（如 Makoto’s preprocessing pipeline）中的核心组成部分。通过运行 ICA，你可以查明代表噪声的成分并直接清除它们，从而留下更干净的大脑数据。
利用在线伪影去除 (ASR)
如果你在处理大型数据集，手动检查数据中的每一秒伪影是不现实的。这就需要自动伪影检测（ASR）的介入。ASR 是一种自动识别和剔除噪声过大段的算法。它的工作原理不仅寻找你数据中的干净部分作为参考，还会移除偏离该基线过多的任何其他部分。该技术是标准化工作流（例如 PREP pipeline）的基石，因为它提供了一种客观、可重复的清洁数据方式。ASR 能够大大节省时间，并有助于确保你在多个记录中的预处理保持一致。
处理眼部和肌肉伪影
在EEG污染方面，眼部和肌肉运动是两个最主要的罪魁祸首。一次简单的眨眼或咬合颚部动作就会产生巨大的电信号，完全掩盖底下的大脑活动。正如我们所介绍的，ICA 在隔离这些种类的伪影方面表现突出。为了获得更好的结果，许多研究人员建议使用专门的 EOG（眼电图）通道来直接记录眼部动作。这为你的 ICA 算法提供了一个更清楚可以锁定的信号，使其更容易识别并从你的EEG通道中扣除与眼部相关的噪声。类似地，来自肌肉紧张（尤其是在下颌和颈部）的 EMG（肌电图）信号也可以通过这些技术得以识别和去除。
实时处理的注意事项
当你在使用需要即时响应的应用（如脑机接口）时，你的预处理必须足够快。你不能容忍在系统清洁数据时出现漫长延迟。一些高计算强度的算法，如运行完整的 ICA 分解，对于实时运行而言过于缓慢。这时候计算效率更高的技术就体现了价值。像 ASR 这样的方法在这里特别管用，因为它们能够随时识别并拒绝坏数据段，同时不会引入明显的滞后。关键是要在多彻底清除数据和需要结果有多迅速之间找到平衡。
预处理期间你可以预期遇到哪些挑战？
预处理EEG数据可能既感觉像一门艺术，也像一门科学。虽然目标总是获得尽可能干净的数据，但通往该目标的道路并非总是一帆风顺。你可能会遇到一些常见的障碍，从应对不一致的方法到确保你的清洁步骤不会意外产生新问题。让我们来了解一些主要的挑战以及你可以如何应对它们。
避免常见的预处理误区
EEG领域中最大的挑战之一是预处理中缺乏标准化。不同的实验室和研究人员经常使用略微不同的方法来清洁其数据，这可能使得比较结果或合并来自各种来源的数据集变得有些困难。这并不是指一种方法是“正确”的而另一种是“错误”的，但这种不一致性会减缓协作进展。应对此情况的最佳方式是选择一个文档齐全、建立成熟的流水线，并坚持使用它。清晰记录你所采取的每一个步骤，不仅有助于你保持一致，还能使你的研究对其他人更具透明性和可复现性。
解决秩亏缺问题
如果你曾运行过独立成分分析 (ICA) 并遇到令人困惑的错误，你可能遇到了秩亏缺（Rank-Deficiency）问题。这听起来很复杂，但它其实只是意味着你的一些EEG通道之间不再相互独立。这经常在执行重参考或插值坏通道等步骤后发生。当你基于其他通道的数据为某个通道创建数据时，它在数学上就变得多余。关键是要正确告诉你的 ICA 算法实际应该在你的rank-deficient data中寻找多少个独立信号。这可以确保算法能正常运行并给你带来有意义的成分。
为什么你的处理顺序至关重要
预处理步骤的顺序极为重要。如果不按正确顺序执行，会引入伪影或在之后很难修正的方式扭曲你的数据。例如，如果你在识别并移除多噪的通道之前应用了滤波器，来自这些坏通道的伪影可能会弥散在你的整个数据集。成熟的工作流（例如 PREP 流程）已经确定了一个optimal processing order来避免这些问题。遵循一套经证实的顺序，例如在滤波和重参考之前移除坏通道，有助于确保每个步骤对数据进行清洗，而不会在后文中带来新麻烦。
如何验证你的数据质量
你怎么知道你的预处理是否成功？你需要一种方法来检查你的工作。视觉检查永远是你的第一道防线；在清洗前后滚动浏览你的数据能给你带来良好的质量直观感受。除此之外，大量流水线都能生成强调关键度量的自动化摘要报告。作为实际的基准，一个共同的目标是应剔除由于伪影产生的约 5–10% 的 Epoch。你可以通过设置振幅阈值或者采用类似于improbability tests的统计测量自动标志噪声过大的片段，确保你的最终数据集干净且可靠。
标准化如何改善研究可重复性
在科学研究中，可重复性就是一切。它是指另一个研究人员能够采用你的方法、将其应用于你的数据，并获得相同的研究结果。不幸的是，神经科学领域在这方面面临了重大挑战。当涉及到EEG数据时，你在预处理期间所做的巨量选择可能会构成一个主要障碍。如果两个实验室分析相同的数据集，但采用略微不同的滤波参数或伪影剔除技术，他们得到的结果可能大相径庭。这导致难以验证发现并奠定可靠的知识体系。
采用标准化的预处理流水线是应对这一问题最有效的方法。标准化的途径意味着团队或协作组中的所有人均同意使用相同的步骤、工具和参数以清洁数据。这种一致性消除了作为变量的预处理工作流，确保结果中发现的任何差异都来自于实验本身，而不是数据清洗流程。它为数据分析创建了一种通用语言，使跨课题的结果比较及在大规模项目上的协作变得更加容易。通过建立清晰、一致的协定，你在为更稳健、更值得信赖的科学研究做出贡献。
PREP流水线的好处
标准化工作流中最著名的例子之一是 The PREP pipeline。将其视为清洁原始EEG数据的一份详尽、经过同行审阅的配方。它的核心目的是建立一个鲁棒、标准化的规程，可用于为大规模分析准备EEG数据。该流水线包含解决常见问题（例如工频干扰、坏通道、和重参考）的具体步骤。通过遵循像 PREP 这类经证明有效的规程，你能更有信心认为你的数据是干净的，并且你的方法是合理的。它免去了预处理中大量的猜测，并有助于确保你的数据已为你接下来的分析规划做好了准备。
为什么标准化规程是关键
使用标准化规程指的不仅仅是遵循特定的流水线（如 PREP），它更是对保持一致性的郑重承诺。当你为一个项目建立一个单一、不发生变化的规程时，实际上你在为你的分析奠定一个稳固的基础。这对于纵向研究或有多套数据收集点的特殊工程极为重要。如果在中途更改了预处理步骤，则会引入可能影响研究结果的变量。标准化程序允许每套数据集得到完全一致的对待，如此一来，你能相信所发现的变化是真实的。这种严密性在很大程度上令你的发现更有说服力，研究也更加可信。
整合来自不同站点的数据
你曾尝试合并过来自不同实验室的数据集吗？那可能会令人倍感头痛。如果每个实验室都使用自己独特的预处理方法，你最终会有些像在进行苹果和橙子的比较。这种一致性的缺乏令合并大型分析数据集变得几乎不可能，限制了研究发现的统计效率及普适性。标准化流水线通过创造通用的数据准备框架，解决了这一局限性。当多个研究站点都同意使用同一个流水线时，他们的数据就变得可互操作了。这为强合作研究项目和元分析开启了崭新的大门，它们能够回答比单个实验室所独立应对的更庞大的科学提问。
良好记录的重要性
标准化的流水线是一样强有力的工具，但只有在留档充分时才最为有效。一丝不苟记录信息是可重复研究中不容商榷的部分。对于处理的每个数据集，你应该记录下经历的每个步骤。这包括你所使用的软件和版本号（如 EEGLAB 或 MNE-Python）、为每个函数设定的具体参数，以及指导你做出那些决策背后的思路。这种书面材料往往以脚本或细致日志的形式呈现，为任何想要重复你工作的学者提供了清晰明了的路线图。它提升了通透度，令科学界能够妥善评估并建立在你的成果之上。
不同硬件如何改变预处理的需求？
你选择的EEG硬件将直接影响你的预处理策略。适合拥有 32 通道、基于实验室设备的流水线，对于拥抱 2 通道、便携式设备的学者而言可能并非最佳。通道数量、传感器类别、以及收集数据的周遭环境统妥妥扮演重要的角色。理解你硬件的独特本领是迈向构建高效预处理工作流的第一步，以此助你获得清洗可靠的数据。
多通道设备的预处理
当你在使用像我们 Flex 这样高密度的EEG系统时，你应对的是海量数据。这种充盈性对于细微的大脑分析非常棒，但它也意味着你的预处理流水线必须足够强壮。由于通道数量成倍增加，遇到会污染全套数据集的多噪或“坏”通道的概率将会大大提升。这也是为什么严谨的通道审查和删除剔除是如此地核心。多通道数据的复杂性也极度表明自动算法是一项出色的帮助，但它们在后续依然应该跟进眼见为实的检查，确保关键信息没有被疏忽。
便携式EEG数据预处理的贴士
便携式EEG设备（如 Epoc X）在现实环境探索中打开了大门，这非常激动人心。然而，“在野外”收集的数据更容易受到来自头部动作、步行或仅仅是交谈造成的运动伪影。你针对移动设备的预处理流水线应当包含优秀的伪影去除法，比如独立成分分析 (ICA) 用以阻断和去除这些非脑活动的电平迹象。采用专门为此用途量身定做的配套软件（如 EmotivPRO）能够很好地推动这一阶段，因其研发初衷便是应对旅行拍摄中数据获取的独特多变性。
评估不同设备之间的信号质量
无论针对何种设备，衡量其信号质量是一项无需争论的操作。仅单个变坏的传感器即可打破你结果的平衡，特别是当你使用重参考计算让噪通道杂质铺满周边无辜通道时。在进入下一步执行之前，留出一些时间去肉眼核对下你的原始数据吧。留意平铺、噪度离奇、或者发生大漂移特征的通道。许多系统在数字化上就提供了关于传感品质在量上的综合分析方案。早早确认并与那些难解的故障发生点沟通会免去日后诸多繁琐困窘，同时还维系了数据集的一体性。
识别与硬件特异有关的伪影
每一个EEG装置都有自己的一些习性。诸如无线组件有时候可能会出现数据包丢失，体现出来的往往是数据线段上的微小缺片。有些探测器种类也许极度敏于汗渍或身旁日常用电设备派生的电网侵染。养出熟悉手头硬核装置脾气的习惯。在学术研究领域往往会有专注于分享攻克这些特定装置局限处理技艺的相关科学文章发表，它们对你而言可能是无价库藏。明白在预备看什么不仅会使你定制具有偏向性的降噪操作，还极为精确地对特定环境常见噪点做出有力还击。
EEG预处理流水线的最佳实践
优秀预处理流程等同于备受推崇、信赖的美味妙招：对步骤的重复执守助你获得始终卓越的成果。它围绕构造有序的方式洗脱资料而设，由此为你对研究的研判奉上扎实支撑本领。这绝非随手运行某行代码草草了事；它牵扯深度明晰前后的衔接关系，并一字一句地促成知情、具备推敲基础决策。依据优异规范的实施开展，你节省了宝贵光阴。此法在你是单独操作，抑或是承接地道的、需要公开分享的学术研究方面皆无出其右。
设立视觉辨验规程
在任意程序着手改动那些记录前。何不花上一点空档亲眼凝视打量其样貌？一个明快的扫视可能会暴露那些连最高明AI也极易忽视的情况，就犹如彻底坏损的传感部分和充溢极端颤乱信号的乱况。将这设定为排查严重质感漏洞的第一哨点。如此直观和朴素的观察，能够帮你提前体会资料脾性、令随后的全自动运行更圆滑，并在后续省下由于离奇变故导致的庞大纠错损耗。
选取恰如其分的各项设定
针对过滤器和演算体系你配置的细节会对最后的成果好坏带来不可小觑的干涉。例如 1 Hz 高通选择在解决由于汗津移动导致的背景浮颤方面是极其受推崇和普遍的选择，况且极好保护神经活动。另一个核心要领是对计算精度进行严控。像针对标准化规程 PREP pipeline 的学术发表清晰指出，选择“双精度”这种超微细数学设定必不可少。不够高精的计算反而在洁净阶段带入隐形的误差。开路便将其做对极大保证整套资料不发生变形。
设立质监审查锚点
在工作流中加入一套审查机制是以不变应万变、长期恒定维稳的关键。其绝非一蹴而就去洗一次。这是一个持续跟踪的工序。一套得力的常设方案在判定弃用有瑕疵的段落在 5%–10% 这样一个区间最为公道和适度。你可以把特定数值写进机器协助完成。但是更棒的是生成预备各式的记录以跟踪总体走向情景。这为研究铺平了一条通透、具有说明的通路，并帮你在大批量分析中随时定位偏差区域。
优化你的作业连贯流程
在敲定了各个具体的细化设定和实施操作后，接下来的当务之急即是构建连贯、可自我重复推进的高效体系。使用标准一致的操作确保每个项目都被公正等价度量。这在有复数场次以及跨组多合一研判中更加是重中之重。我们的系统服务如 EmotivPRO 应此创制，助你在建构和维系此类作业顺畅连贯时提供稳健配合，从而让每一路录音都在同一个基准线上被审视，使计算格外顺畅和安心。
相关文章
循序渐进的 EEG 实验设计指南
EEG 时频分析：它是什么以及它为什么重要
常见问题解答
对于刚刚起步的新手，预处理中最重要的一步是什么？ 在你应用任何滤波器或运行任何算法之前，务必总是以视觉检查原始数据开始。简单滚动浏览记录可以帮助你发现主要问题，比如完全没有波形的通道，或是一个充满极端噪声的通道。这个简单的检查让你对数据的整体质量有一个直观感受，并能早期发现故障通道。手动捕获这些明显的问题可以防止它们在随后的自动加工中损坏数据集的其余部分。
我可以单纯依赖自动化工具来清洁我的数据吗？ 像 ASR 这样的自动化工具非常有用，尤其是在处理大型数据集时。但它们最适合作为你个人判断的伴侣来发挥作用。较好的习惯是允许自动化技术来承担繁重的工作，之后再辅以视觉核对以此来锁定最后的结果。把这想象为一次协作——算法帮你划出疑似点，而最终的决定是由你做出的。这一折中的途径排除了过度剔除的情形，同时保留了只由人的经验才能理清的细节。
我该怎样去判断在去除伪影的过程中我是否丢弃了过多数据？ 一个理想的标尺是将因为含有伪影而舍弃的 Epoch 比例，控制在大体 5 至 10 个百分点中。这是一条一般性准则，而非限制性条款。如果发现连续剔除了比这一幅度大得多的比额，这很可能说明采集初期就存在故障——比如传感器极度贴合不力或是受试者动静太大。目标并不是卡死在某个数字上，而是要在尽可能保存干净可用资料的前提下排除显性的噪点成分。
过滤手段和类似于 ICA 等伪影滤除术有什么关键本质不同？ 不妨从这一角度来看：滤波有点像从音轨里洗掉一份持续且有预期波动的噪声，比如空调的蜂鸣。它在所有的通道上针对着特定一段波段。而利用类似于独立成分分析（ICA）的技艺则更像在追捕洗去一段间断出现的突兀杂音，如一次大声的咳嗽或者拍门声。ICA 研发目标锁定在揪出具有明显固定波峰走势的脉冲（如眨一下眼睛），随后将该特定的成分从中予以抽除。两种方案相辅相成才是一个彻底清洁的手套。
针对便携式设备，我的流水线是否一定要有别于科研级高密度设备？ 毫无疑问，你需要让你的流水线去适应硬件的特征。虽说底层的核心原理是一样的，但是来自于随身款设备“在自然环境下采集”的数据往往在比例上承受更多动作幅度带来的伪影侵染。鉴于这个缘故，像 ICA 等高阶去伪方法便越发核心。而反观高密度实验装，你有更多参考成分参与计算，与此同时你遇到部分点位失准坏掉的情形也更多，由此前期的排障审查通道操作就极为必不可少。
继续阅读