信号处理

什么是信号处理？

信号处理这门学科涵盖了物理事件作为可测量数据的转换、分析和解释。通过应用数学框架来捕捉数据链，研究人员可以有效地过滤掉环境干扰，并专注于主要关注的参数。

这种方法是跨越包括复杂人类生物功能研究在内的各个领域的现代科学探索的核心。

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应用离散时间计算。

这种精细化是通过使用旨在高效管理计算负载的特定算法和处理器来实现的。科学家们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，为了研究的准确性，数据完整性是至高无上的。

信号处理的核心目标

在其效用的顶峰，信号处理力求从测量数据中提取最大数量的有意义信息，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。

这一目标推动了用于现代脑电图（EEG）实践的先进诊断工具的发展。

信号处理的类型

信号处理根据输入信号的性质和用于其操作的方法进行广泛分类。物理世界处于连续状态，而电子设备频繁依赖量化的数据块来执行操作。

区分这些类别是为任何给定实验设置选择合适的数学视角的根本。

模拟信号处理与数字信号处理

模拟系统直接通过电路元件操纵连续电波形，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 system 协议的过渡，数字处理已成为在各种研究环境中保持可比数据的主要标准。

什么是数字信号处理？线性系统与非线性系统

数字信号处理采用算法将数据精炼为适合计算建模的格式，为信号调整提供受控环境。

了解一个系统的行为是否呈线性，对于预测输出将如何响应重叠的变化输入至关重要，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变换，可以捕捉往往被更简单模型忽略的微妙动态。

通过表征这些行为，技术人员可以确保数学模型在应用诊断滤波器之前准确反映输入信号的实际动态。

信号处理的关键概念和技术

这一领域的卓越技术要求对数据准备和数学转换有深入的理解。处理流程中的每个步骤都有目的地降级或增强特定的信号成分，以便为人类解释或机器学习算法准备最终输出。

采样和量化

采样涉及以特定间隔捕获数据点，形成离散表示的基础。量化紧随其后，将这些离散时间点映射到代表信号幅度的特定数值。

如果这些步骤没有得到精确校准，可能会发生混叠，从而导致分析波形的严重失真。

滤波

滤波起着去除不属于预期信号的多余频率成分的关键作用。根据带通要求，滤波器可以精准地去除高频肌肉噪声或低频漂移。

这一过程实质上将感兴趣的神经活动从更广泛的环境背景干扰中分离开来，从而得到更干净的视觉轨迹。

变换（例如，傅里叶变换）

变换在不同域之间转移数据，以揭示隐藏在时间噪声中的周期性结构。该过程中常用的方法包括：

• 傅里叶变换，用于将信号分解为构成其的频率成分。

• 小波分析，用于同时定位时间和频率上的瞬态事件。

• 希尔伯特变换，用于确定复杂信号的瞬时包络和频率。

• Z变换，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确定特定病理或模式的视角来可视化数据，而这些病理或模式在标准时域表示中完全是不可见的。

什么是脑电图（EEG）预处理流程？

预处理流程只是在分析开始前应用于连续原始 EEG 数据的一系列标准化操作。虽然具体的顺序和特定方法在不同的实验室和软件组件之间有所不同，但大多数流程共享一个通用的主干：

1. 过滤掉不需要的频率

2. 将信号重新参考至中性电基线

3. 识别并处理伪影

4. 将连续记录切片成与特定事件相关的短片段，这一过程称为分段（epoching）

相较于整个链条中的每一个决定都会改变最终结果，顺序则不那么重要。由 Robbins 等人领导的一项 2020 年基准研究发现，即使是声称遵循已建立的最佳实践指南的研究，在这些指南实际以代码实现的方式上也存在很大差异。

同样，Bertazzoli 等人进行的一项 2021 年的研究表明，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产生的大脑响应波形有显著影响，甚至改变了当对相同受试者进行两次测试时这些结果的可靠性。

滤波：如何分离真实的大脑信号

原始 EEG 包含两类广泛的无用频率内容。

在慢速端，由于汗液在电极下积聚或电极本身在头皮上产生轻微移动，电压漂移会混入信号中。在快速端，肌肉紧张以及来自附近设备的电干扰会引入高频噪声，这与神经元放电毫无关系。

滤波的工作原理是去除这些频率范围，仅保留真实大脑生成信号最强的频带。

最基本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，或将两者结合进带通滤波器，在研究事件相关电位（ERP，大脑对特定刺激的特征电压响应）时，通常将数据限制在 1 至 40 Hz 的范围内。

让滤波特别引人注目的是它所起到的持续不断的帮助。在 2023 年，Arnoud Delorme 测试了广泛的自动预处理校正，并发现大多数方法要么没有可衡量的效果，要么主动降低了数据质量。而高通滤波是极少数能够全方位可靠改善结果的步骤之一。

哈佛大学的研究人员同样将滤波视为其针对高伪影发育数据的 HAPPE 流程的基本、不可或缺的组成部分。简而言之，滤波接近于一个安全的默认选择。对于随后的每一个步骤，却不能得出相同的结论。

重新参考：设置零电位点

EEG 绝不测量绝对电压。它测量的是两点之间的电位差，即一个活动电极和一个参考点。

原始记录通常是相对于收集期间物理上使用的任何参考电极进行存储的，通常是一个单独的部位，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位置的 10-20 System 定义。该原始参考点有些随意，因此重新参考以数学方式重新计算每个通道相对于一个新的、理论上更中性的点的电压，例如所有电极的平均值或来自两侧乳突的合并信号。

重新参考的重要性源于容积传导，它导致大脑的电活动扩散通过周围的组织和液体，确保单个神经事件能够在几乎每个头皮电极上记录到。正是由于这种扩散，改变参考点会改变记录活动的视在形状、幅度、甚至统计显著性，即便底层的大脑活动本身并未发生任何改变。

这是构成 EEG 导联配置设计选择的核心概念，包括像 Common Average Reference 或者是 Referential Montage，其中每种方法描述相同底层大脑信号的框架皆有不同。

坏通道检测和插值

在任何多电极记录中，不可避免地会有一小部分通道产生不良信号。一个通道可能会由于接触不良而变平，或者可能因为与头皮接触不良。如果不予以校正，这些坏通道会扭曲依赖于比较全头皮信号模式的分析。

标准修复涉及识别这些问题通道，将其从数据集中临时移除，然后通过插值重构其缺失的数据，本质上是根据相邻健康通道的活动估算该电极可能记录到的内容。这在随后的分析步骤中恢复了完整的头皮映射，而不会让被污染的通道倾斜结果。

这是研究人员 Arnaud Delorme 确认为能够持续带来收益的第二步骤。与高通滤波一起，坏通道插值是测试中极少数不会降低数据质量的修正之一。

与滤波结合使用，它在研究中形成了唯一优于单纯滤波的流水线配置。在评估的许多自动校正中，这一组合作为一种相对安全且有用的程序脱颖而出。

原始 EEG 中的伪影问题

除了电极级别的问题外，EEG 记录还会受到由参与者自身身体产生的生物伪影的污染：

• 眨眼在额部电极产生巨大的偏转

• 眼动创造台阶状的电压偏移

• 颌部及前额肌肉活动引入了高频噪声

• 突然动作引起突发性的、多通道电压偏置

对于受污染段的传统响应是直接丢弃，拒绝任何出现伪影的试练或时间窗口。当参与者静坐且伪影罕见时，这工作得相当好。然而在伪影是常态而非特例的人群中，这就变得不那么可行了。

HAPPE 强调，随着 EEG 研究朝着更高密度电极阵列和更长记录的方向发展，手工检查并剔除不良片段变得难以为继，且人工判断引入了其自身的主观性。

Leach 等人为所关涉的利害关系提供了一个具体的说明：小儿 EEG 记录经常失去大量可用数据，仅仅是因为在幼童中移动和眨眼伪影是如此频繁。当数据如此珍贵时，仅仅因为一次眨眼就丢弃整个试练，是种昂贵的解决方法。

独立成分分析（ICA）用于消除伪影

独立成分分析（ICA），为大批量的丢弃提供了一种更精确的替代方案。

在概念上，ICA 是一种盲源分离技术。它将在每个头皮电极记录到的混合信号以数学方法拆解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影模式，例如眼眨或肌肉紧张的特征。其他成分则对应于脑活动模式。一旦伪影相关成分被识别，便能将其移除，并把剩余的干净成分投影回通道数据，在抛弃污染的同时，理想地保留了真实的大脑信号。

障碍在于，由人工检查每个成分以判断其反映的是眼眨还是皮层的一小部分是缓慢且固有的主观过程。这引起了如 ADJUST、ICLabel 以及 MARA 等自动分类器的诞生，旨在通过算法和一致性来实现该判断过程。

关于这方面运行有多好，目前的证据好坏参半，而非全是一边倒的积极。

Arnaud Delorme 发现，基于 ICA 自动拒绝眼球和肌肉成分未能可靠增加 ERP 数据中统计显著的通道所占百分比，这意味着它没有呈递出清晰、信赖的改善。

Robbins 等人跨越 17 项研究比较了两种基于 ICA 的方法（LARG 和 MARA），发现尽管结果的总体结构看起来相似，但仍然出现了显著的差异，特别是在低频光谱特征以及在清洗数据中残留了多少电眼眨残留物方面。

而在更为鼓舞人心的一面，Leach 的队伍表明，针对小儿测地网记录特别调优的 ADJUST 算法的改造版，相比于原始 ADJUST 算法或根本没有 ICA 矫正，改善了分类精度并保留了更多可用试验，且在某些测量中，特别针对小儿数据超越了 ICLabel。

结合来看，ICA 能够作为分离并除掉伪影的真正管用工具，但其性能并非是打包保票的。这严重依赖于分类算法是如何调整配置的，以及取决于所研究的受试人群。

伪影子空间重构（ASR）作为替代方案

伪影子空间重构（ASR）采用了完全不同的路线。相比于把信号解构成独立成分，ASR 通过将输入数据与从干净参考段中提取出的统计数据进行比较，自动将明显偏离干净基线的部分信号进行标记和重建。

Robbins 的团队在相同的 17 项研究中直接将两种 ASR 变体与基于 ICA 的处理管道进行了对比。整体结论与 ICA 相似：虽然各方法得出的主要结果结构看起来类似，但依旧存在重要差异，同样集中在低频光谱特征方面。

因此 ASR 是 ICA 的一个合理的替代方案，而非彻底优胜的替代者，并且这里的原则与在该管道中的其他地方相同：选择的特定方法塑造了取得的具体结果。

您是否应该剔除不良的 EEG 数据段？

由于有证据表明，由此导致的统计功效损失往往超过了去除噪声的好处，因此应避免剔除整个段。

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，专家建议优先采用诸如插值和基于成分纠正等更精确的方法。

分段：专注于感兴趣的事件

大多数 EEG 分析，无论是测量 ERPs 还是时频模式，都被锚定到特定的时间点：刺激的呈现或参与者对此做出的响应。分段，就是将长的、连续的记录在每个这些事件的周围切分成短的、等长的时间窗口的一步，通常包含了在事件自身之前的一小段被称为基线的时期。

该事件前的基线期扮演着校正的角色，有利于由于汗液或身体运动引起的缓慢电压漂移被误以为是对刺激的真实响应提供了解释。但此校正步骤也未能对应用至重新参考的相同警督免疫。

上述 Arnaud Delorme 的研究表明，相比于利用更加精细的纠正方案，先进的基线移除方法显著减少了在 ERP 显着性方面的性能表现。基于此证据，更安全的方法是一种更简单的基线校正，通常只是减去在刺激前窗口期间测得的平均电压。

为何处理管道的选择会改变您的结果

并排对比，这里评述的对比研究毫无疑问地明确了一点：即使利用了大致相同的方法工具箱，预处理流水线也不可互换。

例如，Delorme 的研究发现，在跨主流脑电分析框架 EEGLAB、FieldTrip、MNE 以及 Brainstorm 测试的全部流水线变体中，只有结合了高通滤波与坏通道插值的一套设置，明显超越了单纯的高通滤波本身。诸多其他普遍采用的步骤事实上削弱了数据质量，而非将其提升。

与此同时，Bertazzoli 的团队发现，专门在 TMS-EEG 研究中，对于相同的应用数据集，在四种不同管道中波幅和全局平均场功率存在显著的变化。拓扑图样的强相关性只在刺激后 100 毫秒以外的超迟阶段在各预处理管道中体现；在更早的延迟中，由于所用处理管道的不同，相关值在 0.2 至 0.9 之间大幅变化。测试-再测试可靠性也取决于选择了哪种预处理途径。

最后，哈佛大学的研究在特定实例下呈现出一个更加可喜的情形：专为高伪影、发育期数据构建的自动管道（如 HAPPE），超越了七种获得广泛采纳的替代处理途径，能在几乎每次对比中摒除更大量的伪影成分，同时保护相同甚至是更多额度的真实脑电（EEG）信号。

贯穿这些研究所秉持的普遍线索是，在涉及单个数据集、受试人群或者研究课题时，没有哪单套处理管道配置在各方面都是全优通用的。相比背记死板的秘方，理清各阶段背后的道理才能使研究员做出有意识、可辩护的选择，并辨识某特定管道何时不合时宜其专门采集出来的数据。

为什么预处理决策会影响你在脑电图中看出的内容

原始大脑活动录制中满是眨眼、肌电干扰以及交流嗡鸣噪声，其能轻易盖过研究员期望了解的微弱信号。给这些数据去噪不是客观的一了百了——从滤波至伪影校正你使用的精确通路可以意味深长地使大脑活动的终极图景变形。事实显示，只有区区几个动作，比方高通滤波和修复坏损通道，能靠得住地揭开更为一目了然的神经网络格局，而大部分常行步骤甚至会出人意料地削弱你所寻求的结果。

为此，敏锐地觉察各步预处理挑选呈现的结果，比默守“一刀切”的方子要有力得多。既然几种可取手段足可导控调研至大相径庭的方向，透彻公开地汇报你的运作详情便同资料自身同样举足轻重。

让自身的做法与你打交道的特定团体（安坐的成年人或是活动的少儿）紧密结合，往往优于不作调优地采用泛用型的手段。建立这种深思熟虑、透明的管道，能使你不再依赖于工具默认选项，而是能够透彻掌握信号想要告知你的一切。

参考文献

1. 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

2. 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

3. Delorme A. (2023). EEG is better left alone. Scientific reports, 13(1), 2372. https://doi.org/10.1038/s41598-023-27528-0

4. 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

5. 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什么区别？

信号处理专门针对连续输入的时域和频域动态，而一般的数据分析通常处理静态或独立的变量。

信号处理能够去除信号中的所有形式的噪声吗？

虽然滤波可以显著改善信号的清晰度，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如此重要？

采样率决定了系统能够准确代表的最大频率，这对于在不失真的前提下捕捉高频神经指标至关重要。

像傅里叶变换这样的变换目的是什么？

变换用于将数据从时域（顺序很重要）转换为频域（强调单个分量频率）。

线性系统和非线性系统如何影响输出精度？

线性系统提供可预测的、成比例的响应，而非线性系统则提供复杂的能力，能以牺牲简易预测性为代价显现出暗含的动态。

为什么 raw EEG 数据在分析前需要进行预处理？

Raw EEG 记录不仅包含大脑活动，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影来隔离真实的神经信号，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能起到帮助？

高通滤波对消除由于汗液或电极运动引起的缓慢电压漂移总是非常有益的。在多项研究中，它是少数几项在管道早期应用时能可靠提高数据质量的步骤之一。

重新参考对 EEG 信号有什么作用？

重新参考以数学方式重新计算每一个通道相对于一个新的中性点（例如所有电极的平均值）的电压，而不是原始的记录参考电极。由于 EEG 测量的是电压差，这个选择可以重塑大脑反应的视在幅度和统计显著性。

为什么要检测坏通道以及如何修复它们？

一些电极不可避免地会失去良好的接触或变得极其嘈杂，从而扭曲全头皮范围的分析。在识别这些坏通道后，插值通过根据周围健康电极的活动估计其本来会记录的内容来重构其信号。

独立成分分析（ICA）在 EEG 中有什么用途？

ICA 是一种以数学方式将混合信号分类为独立成分的技术，其中一些成分对应于诸如眨眼或肌肉噪声等伪影。一旦识别并移除了与伪影相关的成分，其余的干净成分可以投影回通道数据中，以保存真实的大脑活动。

伪影子空间重构（ASR）与 ICA 有什么区别？

ASR 通过将输入数据与干净的参考期进行比较来识别和纠正嘈杂的数据段，自动标记偏离该基线过远的部分。与 ICA 不同，它不将信号分解为成分，而是根据干净数据的统计数据重构受污染的部分。

为什么不能简单地扔掉每一个包含噪声的数据段？

粗暴地剔除嘈杂的试验往往会丢弃大量有用的数据，从而降低统计功效并可能削弱结果。由于损失了宝贵的数据，通常更倾向于使用插值或基于成分的校正等方法，特别是在记录时间有限的情况下。

什么是分段，为什么它开篇会留有事件前基线？

分段将连续的记录切成与特定事件（如刺激）对齐的短时间窗口，以分析大脑反应。事件前基线期提供了一个参考电压基准，从而不会将缓慢的漂移误认为是对刺激的反应。

具体的预处理管道真的会改变最终的结果吗？

是的，不同的管道选择（如滤波、参考方案或伪影校正方法）可以改变波形形状、显著性甚至测试-再测试的可靠性。没有哪单套管道能适用于所有情况，因此研究人员必须了解每一步的影响，而不是盲目地遵循默认的配方。