脑电图通过放置在头皮上的电极来捕获由神经元产生的电活动。但是,实际到达这些电极的信号很少是干净的。
在所有这些噪声之下,研究人员关心的实际神经信号通常很微弱,且极易被埋没。信号处理是一门必不可少的科学学科,它能够将物理数据转化为可解释的格式,以用于现代分析和技术。
什么是信号处理?
信号处理学科涵盖将物理事件转化为可测量数据,并对其进行分析和解释的过程。通过应用数学框架来捕获数据串,研究人员可以有效地滤除环境干扰,并专注于主要关心的参数。
这种方法是跨多个领域的现代科学探索的核心,其中包括对复杂人类生物学功能的研究。
如何定义数字信号处理
数字信号处理代表了对从原始模拟状态转换而来的信号进行离散时间计算的应用。
这种提炼是通过使用专门设计的高效管理计算负载的算法和处理器来实现的。科学家利用这种方法来分离生物信号,这对于涉及神经科学的领域至关重要,在这些领域中,数据完整性对于研究准确性是重中之重。
信号处理的核心目标
信号处理在其效用的巅峰,致力于从测量数据中提取最大量的有意义信息,同时尽量减少噪声的影响。通过优化信噪比,研究人员可以恢复原本会被掩盖的可靠数据点。
这一目标推动了现代 EEG 实践中所使用的精密诊断工具的发展。
信号处理的类型
信号处理大体上根据输入信号的性质以及用于对其进行操纵的方法进行分类。物理世界存在于连续状态中,而电子设备通常依赖量化的数据块来执行操作。
区分这些类别对于为任何给定的实验设置选择适当的数学视角至关重要。
模拟与数字信号处理
模拟系统直接通过电路组件操纵连续的电波形,在没有量化开销的情况下保持高度的保真度。虽然模拟系统提供瞬时响应,但它们缺乏数字架构特有的灵活性和可编程性。
随着标准 10-20 系统协议的转变,数字处理已成为在各种研究环境中保持数据可比性的主要标准。
什么是数字信号处理?线性与非线性系统
数字信号处理采用算法将数据提炼为适用于计算建模的格式,为信号调整提供了受控环境。
了解系统是否呈线性响应对于预测输出将如何响应不同输入至关重要,因为叠加原理仅适用于线性运算。相反,非线性系统引入了复杂的转换,可以捕获较简单模型常常忽略的细微动态。
系统类型 | 输入输出关系 | 主要特征 |
|---|---|---|
线性 | 恒定比例关系 | 适用叠加原理 |
非线性 | 可变动态特性 | 高阶谐波产生 |
时不变 | 固定结构响应 | 参数的时域稳定性 |
通过表征这些行为,技术人员可以在应用诊断滤波器之前,确保数学模型准确反映输入信号的实际动态。
信号处理中的关键概念和技术
该领域的技术精通需要对数据准备和数学转换有深刻的理解。处理流程中的每个步骤都是有目的地降级或增强特定信号成分,以使最终输出准备好供人类解释或供机器学习算法使用。
采样与量化
采样涉及以特定间隔捕获数据点,构成离散表示的基础。随后是量化步骤,将这些离散的时间点映射到表示信号幅度的特定数值。
如果这些步骤未精确校准,可能会发生混叠,导致所分析波形出现显著失真。
滤波
滤波起着去除不属于目标信号的多余频率成分的关键作用。根据带通要求,滤波器可以通过手术式的方法去除高频肌电噪声或低频漂移。
该过程实质上是将感兴趣的神经活动与更广泛的环境背景干扰分离开来,从而产生更干净的可视化迹线。
变换(例如傅里叶变换)
变换在不同域之间转换数据,以揭示隐藏在时域噪声中的周期性结构。在此过程中采用的常用方法包括:
傅里叶变换(Fourier Transforms),将信号分解为其构成的频率成分。
小波分析(Wavelet analysis),用于同时在时间和频率上定位瞬态事件。
希尔伯特变换(Hilbert transforms),用于确定复杂信号的瞬时包络和频率。
Z 变换(Z-transforms),用于研究离散时间系统和稳定性。
这些数学映射使工程师能够从特定病理或在标准时域表示中完全不可见的模式等角度来可视化数据。
什么是 EEG 预处理流程?
预处理流程只是在开始任何分析之前应用于连续原始 EEG 数据的一系列标准化操作。虽然具体的顺序和具体方法在不同实验室和软件包之间有所不同,但大多数流程都有一个共同的骨架:
滤除不需要的频率
将信号重参考到中性电气基线
识别并处理伪迹
将连续记录切片为与特定事件相关的短片段,该过程称为分段(epoching)
顺序的重要性不如这一事实重要:该链条中的每一个决定都会改变最终结果。Robbins 等人领导的一项 2020 年基准研究发现,即使是声称遵循既定最佳实践指南的研究,在代码中实际实现这些指南的方式也表现出相当大的差异。
类似地,Bertazzoli 等人的一项 2021 年研究表明,在经颅磁刺激结合脑电图(TMS-EEG)研究中,预处理流程的选择对所得大脑响应波形有显著影响,甚至改变了同一受试者测试两次时这些结果的可靠性。
滤波:如何分离真实的脑信号
原始 EEG 包含两大类不需要的频率成分。
在低频端,由于电极下汗液积聚或电极本身在头皮上的轻微移动,电压漂移会悄悄混入信号中。在高频端,肌肉紧张和附近设备的电干扰会引入与神经元放电毫无关系的高频噪声。
滤波的作用是去除这些频率范围,仅保留真实大脑生成信号最强的频段。
最基础且应用最广泛的步骤是高通滤波,它可以去除大约 0.5 到 1 Hz 以下的慢漂移。根据分析类型,研究人员还可能应用低通滤波器,或将两者组合成带通滤波器,在研究事件相关电位(ERP,大脑对特定刺激的特征性电压响应)时通常将数据限制在 1 到 40 Hz 范围内。
滤波特别值得注意的一点是它所带来的益处非常稳定。2023 年,Arnaud Delorme 测试了广泛的自动化预处理校正,发现大多数校正要么没有可测量的效果,要么实际上降低了数据质量。高通滤波是仅有的两个能全面可靠提高结果的步骤之一。
哈佛大学的研究人员同样将滤波视为其用于高伪迹发育数据的 HAPPE 流程的基础性、不可或缺的组成部分。简而言之,滤波几乎是一个安全的选择。但随后的每一步就不能这么说了。
重参考:设置电气零点
EEG 从不测量绝对电压。它测量的是两点之间的差异:记录电极与参考点。
原始记录通常是相对于采集期间实际使用的任何参考电极进行存储的,通常是单个位置,例如耳后的乳突骨或头顶的 Cz 电极,这些位置由用于标准化电极放置的 10-20 系统定义。该原始参考点具有一定的任意性,因此重参考在数学上重新计算每个通道相对于新的、理论上更中性的点的电压,例如所有电极的平均值或来自双侧乳突的组合信号。
重参考的重要性源于容积传导,它导致大脑的电活动扩散穿过周围的组织和液体,确保单个神经事件几乎在每个头皮电极上都有记录。由于这种扩散,改变参考点可能会改变记录活动的表观形状、幅值甚至是统计显著性,即使基础大脑活动本身没有任何改变。
这是构成 EEG 导联设计选择背后的核心概念,包括通用平均参考或参考导联等方法,每种方法对相同的基础脑信号构建了不同的呈现形式。
坏通道检测与插值
在任何多电极记录中,不可避免地会有少数通道产生不良信号。通道可能由于连接松动而变为平线,或者可能由于头皮接触不良而变得噪声极大。如果不进行校正,这些坏通道会扭曲依赖于比较全头皮信号模式的分析。
标准的解决方法包括识别这些问题通道,暂时将它们从数据集中移除,然后通过插值重建它们缺失的数据,本质上是根据周围健康邻近电极的活动来估计该电极可能记录的内容。这为后续分析步骤恢复了完整的头皮分布图,而不会让受污染的通道扭曲结果。
这是研究员 Arnaud Delorme 确认为始终有益的第二步。与高通滤波一起,坏通道插值是测试中仅有的几种不会降低数据质量的校正方法之一。
与滤波相结合,它构成了该研究中唯一优于单纯滤波的流程配置。在评估的众多自动化校正中,这种搭配脱颖而出,成为一种相对安全且有用的程序。
原始 EEG 中的伪迹问题
除了电极级别的问题外,EEG 记录还会受到参与者自身身体产生的生物伪迹的污染:
眨眼会在额部电极产生巨大的偏转
眼球运动会产生阶跃状的电压偏移
下颌和额头肌肉活动会引入高频噪声
突然的动作会导致突然的多通道电压偏移
传统上处理受污染片段的响应是直接丢弃它们,即拒绝出现伪迹的任何试次或时间窗口。当参与者静坐且伪迹罕见时,这种方法效果相当好。但在伪迹普遍存在而非个例的人群中,它变得极其不可行。
HAPPE 强调,随着 EEG 研究走向更高密度的电极阵列和更长的记录时间,手动检查并剔除坏片段变得不可持续,而且人工主观判断会引入自身的主观性。
Leach 等人为所涉及的风险提供了一个具体的例证:儿科 EEG 记录常常仅因为幼儿频繁发生运动和眨眼伪迹就丢失大量可用数据。当数据如此宝贵时,仅仅因为一次眨眼就丢弃整个试次是一种代价高昂的解决方案。
用于去除伪迹的独立成分分析 (ICA)
独立成分分析(Independent Component Analysis,简称 ICA)为全面剔除提供了更精准的手术式替代方案。
从概念上讲,ICA 是一种盲源分离技术。它将每个头皮电极记录的混合信号在数学上解开为一组统计上独立的成分。
其中一些成分对应于可识别的伪迹模式,例如眨眼或肌肉紧张的特征特征。其他成分则对应于大脑活动模式。一旦识别出与伪迹相关的成分,就可以将其移除,并将剩余的干净成分投影回通道数据,从而在理想情况下保留真实的大脑信号,同时丢弃污染。
障碍在于手动检查每个成分以决定它反映的是眨眼还是皮层活动是缓慢且具有固有主观性的。这催生了诸如 ADJUST、ICLabel 和 MARA 等自动化分类器,旨在通过算法一致地做出该判断。
关于其效果如何的证据是喜忧参半的,而非一致正面。
Arnaud Delorme 发现,基于自动化 ICA 的眼部和肌肉成分剔除未能可靠地增加 ERP 数据中统计学显著通道的百分比,这意味着它并没有带来明确、可靠的改善。
Robbins 等人在 17 项研究中比较了两种基于 ICA 的方法(LARG 和 MARA),发现虽然结果的总体结构看起来相似,但仍然出现了显著差异,特别是在低频频谱特征以及清理后的数据中残留了多少与眨眼相关的残差方面。
在更令人鼓舞的一面,Leach 的团队表明,专门针对儿科测地线网格记录调整的修改版 ADJUST 算法,与原始 ADJUST 算法或完全不进行 ICA 校正相比,提高了分类准确性并保留了更多可用试次,并且在某些指标上专门针对儿科数据优于 ICLabel。
总的来说,ICA 可以成为分离和去除伪迹的真正有用工具,但其性能无法保证。它在很大程度上取决于分类算法的调整方式以及所研究的人群。
伪迹子空间重构 (ASR) 作为替代方案
伪迹子空间重构(Artifact Subspace Reconstruction,简称 ASR)采取了完全不同的路线。ASR 不是将信号分解为独立成分,而是通过将输入数据与从干净参考期提取的统计数据进行比较,自动标记并重构偏离该干净基线过远的信号部分。
Robbins 的团队在相同的 17 项研究中直接比较了 ASR 的两种变体与基于 ICA 的流程。广泛的结论呼应了 ICA 的比较结果:不同方法之间的总体结果结构看起来相似,但仍出现了有意义的差异,同样集中在低频频谱特征中。
因此,ASR 是 ICA 的合理替代方案,而非严格更优的替代品,这里的原则与此流程中其他任何地方都一样:选择的具体方法决定了获得的具体结果。
是否应该剔除不良 EEG 片段?
应尽量避免剔除整个片段,因为证据表明,由此导致的统计功效损失往往超过了消除噪声带来的益处。
简单的阈值法是一种粗糙的工具,会不成比例地丢弃可用数据;因此,专家更倾向于使用更精准的手术式方法,如插值和基于成分的校正。
分段:聚焦于感兴趣的事件
大多数 EEG 分析,无论是测量 ERP 还是时频模式,都锚定在特定的时间点上:刺激的呈现,或参与者对此作出的反应。分段(Epoching)是将较长且连续的记录切割成围绕每个事件的短而等长的时间窗口的步骤,通常包括事件发生前的一小段时间,称为基线。
事件前的基线期起到校正作用,有助于消除可能会被误认为是刺激产生真实响应的慢电压漂移。但是,这一校正步骤同样需要保持与重参考相同的谨慎态度。
前面提到的 Arnaud Delorme 的研究发现,高级基线去除方法在 ERP 显著性方面显著降低了性能。基于这一证据,更安全的方法是进行较简单的基线校正,通常只是减去在刺激前窗口期间测得的平均电压,而不是采用更复杂的校正方案。
基于便携式 EEG 设备的信号处理研究
在使用消费级和便携式 EEG 系统时,信号处理的计算要求变得尤为严苛。这些设备优先考虑便携性和易用性,这限制了可用于实时分析的处理能力。多项同行评审研究考察了不同的信号处理选择如何影响这些背景下的准确性和实际可用性。
BCI 信号处理中的计算成本与准确性
一项关于 BCI 信号处理的研究探讨了穿戴式脑机接口在计算复杂性与分类准确性之间的权衡。作者概述了几种常见的特征提取技术,并根据每个特征维度的计算复杂性定义了成本函数。他们的顺序特征选择方法探讨了降低处理需求如何影响系统性能。
研究人员报告称,当使用根据可用能量调整处理的自适应算法时,分类准确度仅下降了 2%,而计算复杂性降低了 60% 以上。他们还在推/不推(Push/No Push)任务期间,对来自 Emotiv 设备的实时 EEG 信号研究了该技术。
伪迹去除技术与分类性能
伪迹去除方法的选择可以显著改变下游结果。比较伪迹去除技术的研究人员针对使用 Emotiv Epoc X 和 Muse 头带从 38 名年轻人收集的数据,测试了平稳小波变换 (SWT) 去噪与扩展 SWT 技术 (SWTSD)。作者观察到,SWTSD 将平均分类准确率提高了高达 7.2%,并且在他们的视频类别分类任务中表现优于标准 SWT。
然而,他们提醒说,这一结果并不意味着 SWTSD 在其他 BCI 范式或 EEG 应用中也会优于 SWT。Muse 头带获得的最高平均准确率为 77.7%,Emotiv Epoc X 为 66.7%,作者总结认为,整体性能取决于多种相互作用的因素,包括伪迹去除、滤波、特征提取和分类器选择。
用于脑电波识别的数字滤波器、小波变换和 ICA
一项关于脑电波识别的研究对使用 Emotiv Epoc X 收集的 EEG 数据应用了三种不同的信号处理方法。研究人员在 MATLAB 信号处理工具中使用了数字滤波器、小波变换和独立成分分析 (ICA) 来识别与闭眼和睁眼状态相关的特征。
作者还描述了使用 LabVIEW 软件构建通过 EEG 信号控制智能家用电器的模型,展示了这些处理技术如何应用于实际的 BCI 应用。
综合来看,这部分研究指出了可穿戴 EEG 信号处理中固有的实际权衡。研究表明,精心选择伪迹去除和特征提取方法可以在降低计算负载的同时保持准确性,但它们并没有建立一个单一的最佳流程。每项调查都是在特定的实验背景下进行的,作者自己也指出,结果可能无法推广到不同的 BCI 范式、设备或应用领域。
为什么流程选择会改变您的结果
综合对比来看,这里回顾的对比研究明确指出了一个事实:即使预处理流程来自相同的方法工具箱,它们也是不可互换的。
例如,Delorme 的研究发现,在主流 EEG 软件平台(EEGLAB、FieldTrip、MNE 和 Brainstorm)测试的所有流程变体中,只有一种配置(将高通滤波与坏通道插值相结合)的表现显著优于单纯的高通滤波。许多其他常用步骤实际上降低了数据质量,而不是提高数据质量。
与此同时,Bertazzoli 的团队发现,特别是在 TMS-EEG 研究中,应用于同一数据集的四种不同流程在波形幅度和全局平均场功率方面差异很大。只有在刺激后延迟超过 100 毫秒时,各流程之间的地形图模式才高度相关;在更早的延迟下,相关值范围差异很大,从 0.2 到 0.9 不等,具体取决于使用的是哪种流程。重测可靠性本身也取决于选择的预处理方法。
最后,哈佛大学的研究展示了一个针对特定情况的更令人鼓舞的模式:为高伪迹发育数据构建的自动化流程(如 HAPPE)优于七种广泛使用的替代处理方法,在几乎每一次比较中,它去除了更多的伪迹内容,同时保留了相同或更多的真实 EEG 信号。
贯穿这些研究的一致主线是,没有单一的流程配置在每个数据集、人群或研究问题中都是普遍最优的。理解每个阶段背后的原理,而不是死记硬背固定的配方,才能让研究人员做出深思熟虑、有据可依的选择,并认识到何时某种给定的流程可能不太适合他们的特定数据。
为什么预处理决策会影响你在 EEG 数据中看到的内容
原始的大脑记录充斥着眨眼、肌肉噪声和电网嗡嗡声,这些噪音很容易掩盖研究人员想要研究的微弱信号。清理这些数据并不是一个中立的清理步骤——从滤波到伪迹校正所遵循的确切路径可以显著改变脑活动的最终图景。证据表明,只有少数几项操作(如高通滤波和修补损坏通道)能够可靠地展现更清晰的神经模式,而许多常见步骤可能会出人意料地削弱你所追求的结果。
因此,观察每个预处理选择的作用,远比遵循一刀切的固定配方要强大得多。既然不同且合理的方法可以将研究引向不同的方向,那么公开报告你的处理流程就变得与数据本身一样重要。
调整你的方法以匹配你正在研究的特定群体(无论是静坐的成年人还是好动的儿童),往往比不加调整地使用通用工具表现更好。建立这种深思熟虑、透明的流程,能让你从依赖软件默认设置,转变为真正理解信号试图告诉你什么。
参考资料
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
常见问题
信号处理与标准数据分析有何不同?
信号处理专门侧重于连续输入的时域和频域动态,而一般数据分析通常处理静态或独立变量。
信号处理可以消除信号中的所有形式的噪声吗?
虽然滤波可以显著提高信号清晰度,但由于信号与环境干扰之间不可预测的重叠,完美的噪声去除通常是不可能的。
为什么采样率在数字系统中很重要?
采样率决定了系统能够准确表示的最大频率,这对于无失真地捕获高频神经指标至关重要。
傅里叶变换等变换的目的是什么?
变换用于将数据从顺序很重要的时域转换为强调各个分量频率的频域。
线性和非线性系统如何影响输出精度?
线性系统提供可预测的成比例响应,而非线性系统提供复杂的功能,能够揭示隐藏的动态,但牺牲了更简单的可预测性。
为什么原始 EEG 数据在分析前需要进行预处理?
原始 EEG 记录不仅包含脑活动,还包含来自眨眼、肌肉紧张、电噪声和电极漂移的干扰。预处理通过消除这些伪迹来分离真实的神经信号,使数据可用于科学研究并具有可解释性。
哪一个预处理步骤几乎总是能带来好处?
高通滤波可以去除汗液或电极移动引起的慢电压漂移,具有持续稳定的益处。在多项研究中,它是在流程早期应用时能可靠提高数据质量的少数步骤之一。
重参考对 EEG 信号有什么作用?
重参考在数学上重新计算每个通道相对于新中性点(例如所有电极的平均值)的电压,而不是原始记录参考。由于 EEG 测量的是电压差,这种选择可以改变脑响应的表观幅度甚至统计显著性。
为什么要检测坏通道以及如何修复它们?
某些电极不可避免地会失去良好接触或变得噪声极大,从而扭曲全脑区分析。在识别出这些坏通道后,插值通过根据周围健康电极的活动估计其可能记录的内容来重建它们的信号。
独立成分分析 (ICA) 在 EEG 中有什么用途?
ICA 是一种在数学上将混合信号分类为独立成分的技术,其中一些成分对应于眨眼或肌肉噪声等伪迹。一旦识别并去除了与伪迹相关的成分,剩余的干净成分就可以投影回通道数据中,以保留真实的大脑活动。
伪迹子空间重构 (ASR) 与 ICA 有何不同?
ASR 通过将输入数据与干净的参考期进行比较来识别并校正噪声片段,自动标记偏离该基线过远的部分。与 ICA 不同,它不会将信号分解为各个成分,而是根据干净数据的统计信息重建受污染的部分。
为什么不应该直接丢弃每个包含噪声的片段?
生硬地丢弃有噪声的试次往往会丢失大量可用数据,从而降低统计功效并可能削弱结果。由于宝贵的数据丢失,通常首选像插值或基于成分校正等方法,特别是在记录时间有限的情况下。
什么是分段(epoching)以及为什么它包含事件前基线?
分段是将连续记录切割成与特定事件(如刺激)对齐的短时间窗口,以分析大脑响应。事件前基线期提供了一个参考电压水平,这样慢漂移就不会被误认为是针对刺激的响应。
具体的预处理流程真的会改变最终结果吗?
是的,不同的流程选择——如滤波、参考方案或伪迹校正方法——可能会改变波形形状、显著性甚至重测信度。没有单一流程适用于所有情况,因此研究人员必须了解每个步骤的影响,而不是盲目遵循默认配方。
Emotiv 是一家神经技术领域的领导者,致力于通过易于获取的 EEG 和脑数据工具推动神经科学研究发展。
医疗免责声明:本网站提供的信息仅用于教育和信息参考目的,不作为医疗或健康建议。这些内容可能包含错误,不应作为做出改变生活的健康、医疗或生活方式选择的依据。如果您对医疗状况或治疗有任何疑问,请始终咨询您的医生或其他合格的健康服务提供者。
克里斯蒂安·布尔戈斯




