📚 课程目录第4章 EEG信号预处理

4. EEG信号预处理：滤波、去噪、基线校正与坏导处理

脑电信号（EEG）的原始采集数据中混杂着工频干扰、眼电伪迹、肌电噪声、电极漂移等多种非神经源性成分。若不经预处理直接送入特征提取与分类模型，将导致控制指令误判率显著上升。本章围绕滤波（低通、高通、带通、陷波）、去噪（ICA、CCA）、基线校正、坏导剔除与插值四大核心任务，系统讲解其原理、操作流程、实战案例与常见误区，帮助开发者构建稳健的EEG信号预处理流水线。

4.1 滤波：频域噪声的定向清除

核心原理：EEG信号的有效频带通常集中在0.5-100 Hz之间，其中运动想象相关节律（μ节律8-12 Hz、β节律13-30 Hz）是脑控设备最常用的控制特征。滤波的本质是利用线性时不变系统对信号频谱进行整形，保留目标频段、抑制无关频段。低通滤波用于去除高频肌电噪声（EMG通常>30 Hz），高通滤波用于去除低频基线漂移（<0.5 Hz），带通滤波则同时约束上下限，陷波滤波专门针对50/60 Hz工频干扰。

滤波器类型	典型截止频率	适用场景	注意事项
低通	30-50 Hz	去除肌电、高频环境噪声	过高截止频率会保留EMG伪迹
高通	0.5-1 Hz	去除基线漂移、皮肤电位	过高截止会损失慢波成分
带通	8-30 Hz	运动想象节律提取	带宽过窄会损失有效特征
陷波	50/60 Hz	工频干扰抑制	Q值不宜过高，避免过度损伤邻频

操作流程：在Python中通常使用MNE-Python或SciPy实现滤波。推荐采用零相位滤波（filtfilt）以避免相位偏移。对于脑控设备，建议先进行50 Hz陷波，再进行0.5-45 Hz带通滤波，最后根据具体范式选择特征频段。

import mne
# 读取原始数据
raw = mne.io.read_raw_brainvision('session.vhdr', preload=True)
# 陷波50Hz工频
raw.notch_filter(freqs=50, picks='eeg')
# 带通滤波0.5-45Hz
raw.filter(l_freq=0.5, h_freq=45, picks='eeg', method='fir', phase='zero')

风险提示：滤波阶数过高会导致信号畸变和计算延迟增加。在实时脑控系统中，滤波器延迟必须纳入系统总延迟预算。建议使用IIR滤波器（如Butterworth）配合零相位补偿，或使用FIR滤波器保证线性相位特性。

4.2 去噪：ICA与CCA的伪迹分离策略

核心原理：ICA（独立成分分析）基于信号源统计独立的假设，将多通道EEG分解为统计独立的成分。眼电伪迹（EOG）通常表现为前额导联的高幅低频成分，肌电伪迹（EMG）则表现为高频宽带成分。CCA（典型相关分析）则利用肌电信号在相邻通道间高度相关的特性，通过最大化通道间相关性来识别和去除肌电成分。

判断方法：ICA成分的识别需要结合时域波形、频谱特征和拓扑分布。眼电成分通常具有以下特征：

时域波形与眨眼/眼动事件高度相关（可通过EOG通道验证）
频谱能量集中在低频（<5 Hz）
拓扑图显示前额区域权重最大

实战场景：在运动想象脑控实验中，受试者容易不自觉眨眼，导致C3/C4导联出现大幅伪迹。某项目组采用ICA去除眼电后，分类准确率从72%提升至85%。具体操作如下：

# ICA去眼电
ica = mne.preprocessing.ICA(n_components=20, random_state=42)
ica.fit(raw.copy().filter(l_freq=1, h_freq=40))
# 自动识别EOG成分
eog_indices, eog_scores = ica.find_bads_eog(raw, ch_name='Fp1', threshold=2.5)
ica.exclude = eog_indices
raw_clean = ica.apply(raw.copy())

经验要点：ICA对通道数敏感，建议至少使用16通道以上。对于8通道便携设备，可考虑使用CCA或小波变换替代。CCA在去除肌电方面计算效率更高，适合实时系统。

4.3 基线校正与坏导处理

基线校正原理：EEG信号中的直流漂移主要来源于电极-皮肤界面电位变化和放大器温漂。基线校正通过减去事件前一段时间（如刺激前200 ms）的平均幅值，将信号基线归零，消除不同试次间的直流偏移差异。

坏导判定标准：

信号幅度持续超过±200 μV（超出放大器线性范围）
信号方差超过全部通道中位数的3倍
功率谱密度在1-50 Hz频段异常平坦（提示电极脱落）
与相邻通道相关性低于0.4（提示接触不良）

插值方法：球面样条插值（spherical spline interpolation）是EEG坏导修复的标准方法。它利用头皮表面拉普拉斯方程约束，根据周围正常通道的电位分布重建坏导信号。对于不超过总通道数10%的坏导，插值修复效果良好。

# 坏导检测与插值
raw.info['bads'] = ['Fz', 'Cz']  # 标记坏导
raw.interpolate_bads(reset_bads=True)  # 球面样条插值

实战建议：在脑控设备运行中，建议每5分钟自动检测一次坏导状态。若坏导数量超过20%，应提示用户重新佩戴电极帽，而非依赖插值修复。

4.4 预处理流程的工程化整合

在真实脑控系统中，预处理模块需要满足实时性要求。典型流程为：数据采集（250-1000 Hz采样）→ 50 Hz陷波 → 0.5-45 Hz带通 → 滑动窗口ICA（每2秒更新）→ 基线校正（200 ms窗口）→ 坏导检测与插值 → 特征提取。整个流程的延迟应控制在50 ms以内。

处理模块	计算耗时（ms）	优化策略
滤波（FIR 128阶）	8-12	使用FFT卷积替代时域卷积
ICA（20通道）	15-25	使用Infomax算法+GPU加速
基线校正	<1	向量化运算
坏导插值	3-5	预计算插值权重矩阵

常见误区：① 过度滤波导致有效信号衰减——滤波参数应根据具体范式调整，而非套用固定模板；② ICA成分误判——将神经成分误认为伪迹剔除，导致信息丢失；③ 忽视坏导的实时监测——静态坏导列表无法应对运动伪迹导致的临时性信号劣化；④ 基线校正窗口选择不当——窗口过短无法有效估计漂移，过长则包含事件相关电位成分。

案例复盘：某脑控轮椅项目在初期使用固定滤波参数（0.5-40 Hz带通），导致部分受试者的β节律（30 Hz附近）被衰减，分类准确率仅68%。经分析后，将带通上限调整为45 Hz，并针对不同受试者微调陷波频率（部分环境存在50 Hz谐波干扰），准确率提升至81%。同时，通过引入基于滑动方差的坏导自动检测，系统在用户头部转动时的误判率降低了40%。