第3章:预处理

承接第2章 — 导入与检查数据。

本章的步骤会在连续记录被切分为分段(epoch)之前对其进行清理——目标与 MNE-Python 线索的预处理一章相同,只是通过 EEGLAB 的 Tools 菜单而不是代码来实现。

滤波

Tools → Filter the data → Basic FIR filter (new, default) 应用 EEGLAB 的标准滤波器(底层调用的是 pop_eegfiltnew)——输入低截止频率、高截止频率,或两者都输入,与在 Python 端的 raw.filter() 中设置 l_freq/h_freq 完全对应。同一菜单中另有一个独立的陷波滤波(notch filter)选项,用于去除电力线噪声(视数据采集地区不同,为 50 Hz 或 60 Hz)。

重新参考

Tools → Re-reference the data 可以切换记录的参考:平均参考(所有通道的均值,从每个通道中减去)、单一通道,或某一特定电极对的平均(常见的是两个乳突电极)。这与 MNE 的 raw.set_eeg_reference() 在图形界面上直接对应。

坏通道

一个平坦、饱和或被噪声主导的通道通常应该被排除,而不是拖累后续每一步分析:

• Tools → Reject data using... → Reject channels 用于手动、目视选择,或使用自动化判据(例如作为插件安装的 Clean Rigor)以统计方式标记异常通道。
• 一旦某个通道被标记为坏通道,Tools → Interpolate electrodes 会根据其相邻通道重建该通道的数据——当你希望保留完整、规则的通道集以便后续做组平均,而不是直接丢弃该通道时,这个功能很有用。

重采样

Tools → Change sampling rate 对记录进行降采样——文件更小、处理更快,代价是丢失最高频段的信息。对于标准的 EEG/ERP 分析,常见的做法是重采样到 250–500 Hz 左右,这个范围远高于大多数感兴趣信号所在的频段。

关于可复现性的说明:EEG.history

你运行的每一步图形界面操作,都会被静默记录为 EEG.history 中对应的一行 MATLAB 代码。File → Save history(或 Edit history)可以把这份日志导出为一个可运行的 .m 脚本——也就是说,一套在图形界面中点选组装出来的流程,可以被原样重放,或者改造成一个能在多个被试上无人值守运行的脚本。这是 EEGLAB 内置的、连接"手动探索"与"脚本化、可复现"两者的桥梁,在进入第7章之前值得记住。

下一章: 第4章 — 使用 ICA 去除伪迹