第 4 章：预处理 —— 滤波与重参考¶

预处理是在把连续的 Raw 信号切成 epoch 之前，先做的清理工作。本章讲解滤波（去除不需要的频率成分）和重参考（更改第 1 章提到的参考电极方案）。

import mne
import matplotlib.pyplot as plt
from pathlib import Path

# 设置字体，确保图中的中文能正常显示
plt.rcParams["font.sans-serif"] = ["Microsoft YaHei", "SimHei", "DejaVu Sans"]
plt.rcParams["axes.unicode_minus"] = False

mne.set_log_level("WARNING")

sample_folder = Path(mne.datasets.sample.data_path()) / "MEG" / "sample"
raw = mne.io.read_raw_fif(sample_folder / "sample_audvis_raw.fif", preload=True)
raw.pick(["eeg", "eog"])
raw

	General
	Filename(s)	sample_audvis_raw.fif
	MNE object type	Raw
	Measurement date	2002-12-03 at 19:01:10 UTC
	Participant	Unknown
	Experimenter	MEG
	Acquisition
	Duration	00:04:38 (HH:MM:SS)
	Sampling frequency	600.61 Hz
	Time points	166,800
	Channels
	EEG	and
	EOG
	Head & sensor digitization	146 points
	Filters
	Highpass	0.10 Hz
	Lowpass	172.18 Hz

滤波¶

滤波器会去除所选频率范围之外的信号。EEG 预处理中经常出现三种：

高通滤波器（去除截止频率以下的成分，例如 1 Hz）：消除出汗、电极/皮肤阻抗变化、放大器漂移带来的缓慢漂移。
低通滤波器（去除截止频率以上的成分，例如 40 Hz）：消除肌肉活动等高频噪声；大多数 ERP 成分本来就分布在 30 Hz 以下。
带通滤波器：在一次调用中同时做高通和低通 —— raw.filter(l_freq=1.0, h_freq=40.0)。
陷波滤波器：去除一个很窄的频率带，专门针对市电噪声，频率为 50 Hz（世界大多数地区）或 60 Hz（美洲及部分亚洲地区）及其谐波。

下面进行滤波，并对比滤波前后的功率谱。

raw.compute_psd(picks="eeg").plot()
plt.gcf().suptitle("滤波前")
plt.show()

raw_filt = raw.copy().filter(l_freq=1.0, h_freq=40.0)

raw_filt.compute_psd(picks="eeg").plot()
plt.gcf().suptitle("1-40 Hz 带通滤波后")
plt.show()

png

注意滤波后的图在 1 Hz 以下、40 Hz 以上基本没有功率了 —— 那些频段已经被去除。这个样例数据集恰好本来就没有明显的电源线噪声，但对于一份有噪声的记录（比如你自己的数据），同样的滤波调用还需要加上陷波滤波：

LINE_FREQ = 50  # 或 60，取决于你所在国家的市电频率
raw_filt.notch_filter(freqs=LINE_FREQ)

为什么要在切分 epoch 之前滤波，而不是之后？ 滤波器在处理的片段两侧都需要一定的"缓冲区"数据，以避免边缘伪迹。先对完整的连续记录做滤波，再把它切成短小的 epoch，可以避免每个短 epoch 的首尾被扭曲。

重参考¶

回想第 1 章的内容：每个 EEG 数值都是"这个电极减去某个参考"的结果。你可以在记录结束后用 set_eeg_reference() 在数学上切换参考方案。ERP 研究中最常用的目标方案是平均参考：每个通道的参考变为所有 EEG 通道的均值。

raw_avg_ref = raw_filt.copy().set_eeg_reference(ref_channels="average")
raw_avg_ref

	General
	Filename(s)	sample_audvis_raw.fif
	MNE object type	Raw
	Measurement date	2002-12-03 at 19:01:10 UTC
	Participant	Unknown
	Experimenter	MEG
	Acquisition
	Duration	00:04:38 (HH:MM:SS)
	Sampling frequency	600.61 Hz
	Time points	166,800
	Channels
	EEG	and
	EOG
	Head & sensor digitization	146 points
	Filters
	Highpass	1.00 Hz
	Lowpass	40.00 Hz

其他选项：set_eeg_reference(ref_channels=["M1", "M2"]) 用于双侧乳突联合参考，或者 ref_channels=["Cz"] 用于单通道参考。并不存在普遍"正确"的选择 —— 这取决于你的研究设计，以及你所在子领域/可比较的前人工作中的惯例。如果拿不准，平均参考对于探索性的 ERP 研究是一个合理的默认选择。

关于你自己数据的说明： 你的文件里的通道已经以 CPz 为参考（原始通道名中可以看到，如 Fp1-CPz 等）。这已经是一个有效的单通道参考方案，可以保持不变；如果有理由需要（例如要匹配某篇特定论文范式的惯例），也可以像这里演示的一样，重新参考到平均参考或乳突参考。

小结¶

带通滤波（例如 1–40 Hz）去除漂移和高频噪声；陷波滤波去除电源线噪声。
务必先对连续的 Raw 数据做滤波，再切分 epoch。
set_eeg_reference() 在记录之后，以数学方式切换参考方案。

下一章：第 5 章 —— 用 ICA 去除伪迹