参考：胡理,张治国(2020). 脑电信号处理与特征提取.

1.为什么要进行预处理 ¶

脑电数据极易被噪声污染，从头皮电极直接记录的脑电信号不能准确代表大脑神经信号。需要对原始脑电数据进行预处理和降噪来进尽可能减少或消除伪迹的影响。

预处理的具体步骤取决于研究目的、实验设计、实验设备以及拟开展的后续分析。

1.1 伪迹 ¶

来源于生物体本身，常见的是：因眨眼、眼动、舌动、心跳、呼吸、肌肉运动和汗腺兴奋等产生的电生理信号。

眼电伪迹的典型特征：幅度大、噪声频率范围宽。对头前部区域的影响显著。眼电是脑电信号的一种主要干扰噪声。

肌电伪迹：呈尖峰状的高频电活动，主要产生于额肌和颞肌。

心电伪迹：会呈现出多种形式。选用不适当的参考电极可能会增加心电伪迹。将双侧耳作为参考电极可以有效地抑制心电干扰。

头皮出汗造成的伪迹：低频、低幅、呈波浪形的电信号。汗水引起的直流电的该百年可能会使基线不稳定，可能会导致相邻电极串联。

在ERP研究中，去除眼电伪迹是必不可少的预处理步骤。常用的可以在有效去除眼电伪迹的同时保留脑电信号的方法：1.ICA；2。基于回归的方法。

通常来自外界环境的干扰，最常见的是市电干扰。可以通过使用屏蔽电缆，选用电隔离室，让被试远离干扰源等减少影响。电机的不良放置也会产生非生理伪迹。应保证电极干净、导线和电极没有腐蚀、损坏。

MCN系统，F、T、P、O分别代表不同脑叶。C指中央区，C电极有时更能代表额叶、颞叶和顶-枕交界的一些典型大脑活动。

适当滤波可以有效减少脑电数据中的噪声，去除某些频率范围的脑电数据，提高感兴趣频带范围数据的信噪比。

四种滤波类型：

根据危机的频率范围选择合理的滤波器可以有效减少脑电原始数据的伪迹。滤波通常作为预处理的第一步，通常将滤波用于连续的脑电数据，对分段后的脑电数据滤波容易引入滤波伪迹。

脑电记录系统中有在线参考电极，也可以在离线分析时进行重参考。选择参考电极时要尽可能选择远离感兴趣区域的电极，这样有助于减小对感兴趣区域信号的影响。

经常选择双侧乳突平均作为参考。对于较大密度电极的脑电记录系统，通常选择使用平均参考。只有当拥有足够多的电极数量且分布足够均匀时，平均参考才有意义。

零参考：标准化定义参考点（一个离所有信号来源最远的点）

分段：对event开始前后的数据进行分段，从而提取感觉刺激或认知任务呈现后脑电活动的变化。

基线校正：消除自发脑电波导致的脑电噪声，分段数据各点减去一个平均基线。

基线校正的2个问题：1.基线范围的选择；2.极限在不同条件间是否存在系统性差异。

可能出现坏导的原因：1.通路故障；2.点击放错位置或与头皮接触不良；3.电极间串联；4.通道饱和。

直接剔除坏导：会减少数据中的通道数量，脑电数据矩阵会发生变化。对不同的被试剔除坏导，被试的有效通道数量不同，不利于建立组间数据。剔除太多坏导会导致有效通道的数量太少不利于数据分析，因为剔除坏导会损失一部分数据。
插值坏导：根据正常电极的数据，插值修复坏导的数据。最常见的方法：球面曲线法。（matlab-eeglab: Interpolate electrode ）

处理数据时，可以直接剔除对所有被试来说都是坏导的数据，其余坏导的数据进行插值修复。

某些分段试次存在明显伪迹，一般会剔除被伪迹污染的试次。比如闭眼时间过长，或者肌电伪迹明显，说明没有专注任务。（听觉任务，鼻闭眼也可以完成是不是就不需要针对“闭眼”、“眨眼”做剔除？）

坏段是否应该被剔除：坏段波动太大，对事件诱发响应的影响较大；坏段剔除的标准，不同操作者不同。

自动剔除坏段的方法：可能会带来两种错误，1.认为该保留的被拒绝了；2.认为该剔除的被保留了。

一种解线性方程组的估计方式求解信号源，是一种解决盲源分离问题的有效方法。

原始数据表示的是每个电极和参考电极之间的电势差随时间变化，ICA分解后，每行数据表示的是电极数据进行空间滤波后的独立成分随时间变化的情况。

ICA是分离伪迹的有效方法。ICA分解原始脑电数据后，将分离的独立成分分为伪迹相关成分和神经活动相关成分。剔除伪迹相关成分，并对其他数据进行重新组合，可以使重组后的数据去除伪迹的影响，保留真实的脑电信号。

眼电伪迹的典型特征：前端分布，高幅尖峰。

预处理前，需要考虑数据中可能存在的伪迹类型以及想要去除的伪迹类型。