第4章:预处理

承接第3章 — 导入数据。

原始记录在真正可用之前,往往充满噪声——这与 MNE-Python 线索预处理一章的目标完全相同,只是这里通过点击完成,而不是编写 raw.filter(...)。

标记坏通道与坏时段

在查看器中打开记录后,你可以直接点击某个通道的标签,将其标记为"bad"(在后续分析中排除);也可以拖动选择一段有噪声的时间区间,将其标记为坏时段。两者都只是保存为文件的元数据,不会删除任何内容,因此你随时可以改变主意。

运行一个处理(Process)

这是你在 Brainstorm 中会不断重复的操作模式,值得明确写出来:

1. 在数据库浏览器树中选中一个(或多个)文件。
2. 将它们拖入 Process1 选项卡。
3. 在处理搜索框中输入关键词,例如"band-pass",从列表中选择对应的处理。
4. 在弹出的对话框中设置参数(对滤波而言,就是低截止频率和高截止频率——与 MNE-Python 中的 l_freq/h_freq 完全对应)。
5. 点击 Run。

结果会作为一个新文件出现在原文件旁边——滤波操作永远不会覆盖你导入的原始数据,这与 MNE-Python 中 raw.copy().filter(...)"保留原始数据不变"的原则是一致的。

常见的预处理操作

• 带通/陷波滤波 ——位于"Pre-process"分类下,用于去除缓慢漂移、高频噪声以及电源线干扰。
• SSP 与 ICA ——位于"Artifacts"分类下,采用与 MNE-Python ICA 一章相同的统计方法,将眨眼、心跳等伪迹从脑信号中分离出来,这里通过引导式对话框完成,而不是写代码。
• 重新参考 ——改变 EEG 电压测量所参照的基准通道,这一概念与 MNE-Python 线索"EEG 基础"一章中介绍的内容相同。

下一章: 第5章 — 传感器层面的分析