引言

脑电信号（EEG）作为脑机接口（BCI）系统的核心输入，其质量直接决定后续特征提取与意图解码的效果。但 EEG 信号天生具有低信噪比（SNR<10dB）、非平稳性、易受干扰等特性，采集过程中不可避免会混入环境噪声（如工频干扰）和生理伪迹（如眼电、肌电）。因此，去噪是 EEG 数据预处理的第一步，也是最关键的一步。

本文将聚焦 EEG 去噪的两大核心技术 —— 滤波（去除环境噪声）和伪迹剔除（去除生理干扰），从技术原理、参数选择逻辑出发，结合完整 Python 代码示例（基于 MNE-Python），实现从原始嘈杂信号到干净数据的全流程实操，帮助读者掌握可复现的 EEG 去噪方案。

一、EEG 噪声与伪迹分类：明确去噪目标

在动手去噪前，需先明确 “敌人”——EEG 中的干扰成分主要分为两类，处理策略截然不同：

干扰类型	典型代表	特征与来源	处理方法
环境噪声	50/60Hz 工频干扰、电磁辐射	周期性强、频率固定，由电网、电子设备产生	陷波滤波、高通 / 低通滤波
生理伪迹	眼电伪迹（EOG）	幅度大（100-500μV），眨眼 / 眼球运动导致，前额电极显著	ICA、阈值剔除、回归法
	肌电伪迹（EMG）	高频噪声（>30Hz），咀嚼 / 皱眉 / 颈部肌肉收缩导致	带通滤波、ICA、小波去噪
	心电伪迹（ECG）	周期性（~1Hz），心脏跳动产生，颈部 / 颞区电极明显	ICA、自适应滤波
	基线漂移	低频漂移（<0.5Hz），呼吸 / 出汗 / 电极极化导致	高通滤波、基线校正

核心原则：滤波针对 “频率已知、周期性强” 的噪声，伪迹剔除针对 “幅度大、非平稳” 的生理干扰。

二、核心去噪技术原理详解

1. 滤波技术：频率域的 “噪声筛选”

滤波的本质是通过频率域的 “选通”，保留 EEG 有效频段（0.5-45Hz，覆盖 δ-γ 波），剔除特定频率的噪声。常用滤波类型及参数选择逻辑如下：

（1）高通滤波（High-Pass Filter）

• 作用：去除低频干扰（如基线漂移、呼吸干扰）。
• 参数选择：截止频率通常设为 0.5-1Hz（过低无法有效去漂移，过高会丢失 δ 波等低频有效信号）。
• 实现方式：FIR 滤波（线性相位，无信号失真，推荐）或 IIR 滤波（计算快，轻微相位失真）。

（2）低通滤波（Low-Pass Filter）

• 作用：去除高频噪声（如肌电、电子设备辐射），同时满足抗混叠要求。
• 参数选择：截止频率设为采样率的 1/3~1/2（如 250Hz 采样率→截止频率 80Hz）；若需保留 γ 波（>30Hz），截止频率需≥100Hz。

（3）陷波滤波（Notch Filter）

• 作用：针对性去除 50Hz（国内电网）或 60Hz（欧美电网）工频干扰及谐波（100Hz、150Hz）。
• 参数选择：中心频率 = 50/60Hz，带宽 = 2-4Hz（过窄可能遗漏谐波，过宽会影响邻近频段）。

2. 伪迹剔除技术：基于 “成分分离” 的精准去噪

生理伪迹（如眼电）幅度远大于 EEG 有效信号，且频率与有效频段重叠（如眼电包含 α/β 波频段），无法通过简单滤波去除。需通过 “成分分离” 技术将伪迹从原始信号中剥离，常用方法：

（1）独立成分分析（ICA）

• 核心原理：假设 EEG 信号是 “有效脑电 + 多种伪迹” 的线性混合，通过 ICA 分解出相互独立的成分（ICs），识别并剔除伪迹对应的成分，再重构信号。
• 优势：不依赖伪迹的频率特征，能精准分离眼电、肌电、心电等多种伪迹，是科研中最常用的伪迹剔除方法。
• 关键步骤：数据预处理（去趋势、滤波）→ ICA 分解 → 伪迹成分识别（自动 + 手动）→ 信号重构。

（2）阈值法（Artifact Rejection）

• 核心原理：基于 “伪迹幅度远大于 EEG 有效信号” 的特点，设定电压阈值（如 ±100μV），剔除超过阈值的信号段（Epochs）。
• 适用场景：电极移动、突发噪声等强伪迹，常与 ICA 结合使用。

（3）回归法（EOG Regression）

• 核心原理：以眼电电极（如 Fp1、Fp2）记录的信号为自变量，原始 EEG 信号为因变量，通过线性回归剔除与眼电相关的成分。
• 优势：操作简单，无需分解信号，但依赖眼电参考电极的质量。

三、完整代码实操：EEG 去噪全流程

以下代码基于公开 EEG 数据集（BCI Competition IV 2a），实现 “加载数据→滤波去噪→ICA 伪迹剔除→阈值筛选→结果验证” 的完整流程，代码可直接运行复现。

1. 环境准备

安装必要依赖库（MNE-Python 为科研级 EEG 处理工具，支持滤波、ICA、可视化等全功能）：

bash

pip install mne numpy scipy matplotlib

2. 数据加载与探索性分析

首先加载原始 EEG 数据，观察噪声和伪迹的分布特点：

python

import mne
import numpy as np
import matplotlib.pyplot as plt

# 加载公开数据集（BCI Competition IV 2a，运动想象任务）
# 若未下载，MNE会自动下载（约50MB）
from mne.datasets import bcic4_2a
raw_fname, event_fname = bcic4_2a.data_path(subject=1)  # 加载受试者1的数据

# 读取原始数据（EDF格式，64通道，250Hz采样率）
raw = mne.io.read_raw_edf(raw_fname, preload=True)

# 数据标准化：设置电极位置（10-20系统）、参考电极
mne.datasets.bcic4_2a.standardize(raw)
raw.set_montage('standard_1005')  # 加载电极位置模板

# 查看数据基本信息
print("原始数据形状（通道数×时间点）:", raw.get_data().shape)
print("采样率:", raw.info['sfreq'], "Hz")
print("通道名称（前10个）:", raw.info['ch_names'][:10])
print("数据时长:", round(raw.times[-1], 2), "秒")

# 可视化原始信号（前10秒，选择易受干扰的电极）
picks = ['Fp1', 'Fp2', 'C3', 'C4', 'O1', 'O2']  # Fp1/Fp2易受眼电影响，C3/C4为运动区
raw.plot(
    duration=10,
    n_channels=len(picks),
    scalings=dict(eeg=100e-6),  # 缩放为100μV，便于观察伪迹
    title='原始EEG信号（含噪声与伪迹）',
    show=True,
    block=True
)

运行后可观察到：原始信号中存在明显的基线漂移（缓慢上下波动）、眼电伪迹（Fp1/Fp2 电极的尖峰信号）和工频干扰（微小的周期性波动）。

3. 滤波去噪：针对性剔除环境噪声

采用 “高通 + 低通 + 陷波” 组合滤波，分步去除低频漂移、高频噪声和工频干扰：

python

# ---------------------- 步骤1：高通滤波（去除基线漂移） ----------------------
raw_highpass = raw.copy().filter(
    l_freq=1.0,  # 截止频率1Hz
    h_freq=None,
    method='fir',  # 采用FIR滤波（线性相位，无失真）
    fir_window='hamming',  # 汉明窗，优化滤波效果
    verbose=False
)

# ---------------------- 步骤2：低通滤波（去除高频噪声） ----------------------
raw_bandpass = raw_highpass.copy().filter(
    l_freq=None,
    h_freq=80.0,  # 截止频率80Hz（采样率250Hz，满足1/3采样率要求）
    method='fir',
    fir_window='hamming',
    verbose=False
)

# ---------------------- 步骤3：陷波滤波（去除50Hz工频干扰） ----------------------
raw_filtered = raw_bandpass.copy().notch_filter(
    freqs=50.0,  # 中心频率50Hz
    notch_widths=2.0,  # 带宽2Hz
    method='fir',
    verbose=False
)

# 对比滤波前后的信号（以Fp1电极为例，观察基线漂移和工频干扰变化）
fp1_idx = raw.ch_names.index('Fp1')
times = raw.times[:int(10 * raw.info['sfreq'])]  # 前10秒数据
raw_fp1 = raw.get_data()[fp1_idx, :int(10 * raw.info['sfreq'])]
filtered_fp1 = raw_filtered.get_data()[fp1_idx, :int(10 * raw.info['sfreq'])]

plt.figure(figsize=(14, 6))
plt.subplot(2, 1, 1)
plt.plot(times, raw_fp1, color='#E74C3C', alpha=0.7)
plt.title('滤波前：Fp1电极信号（含基线漂移+工频干扰）', fontsize=12)
plt.ylabel('电压（μV）', fontsize=10)
plt.grid(True, alpha=0.3)

plt.subplot(2, 1, 2)
plt.plot(times, filtered_fp1, color='#27AE60', alpha=0.7)
plt.title('滤波后：Fp1电极信号（基线稳定+工频去除）', fontsize=12)
plt.xlabel('时间（秒）', fontsize=10)
plt.ylabel('电压（μV）', fontsize=10)
plt.grid(True, alpha=0.3)

plt.tight_layout()
plt.show()

# 可视化滤波后的全通道信号
raw_filtered.plot(
    duration=10,
    n_channels=len(picks),
    scalings=dict(eeg=100e-6),
    title='滤波后EEG信号（环境噪声已去除）',
    show=True,
    block=True
)

滤波效果验证：滤波后信号基线趋于平稳，工频干扰导致的微小波动消失，但 Fp1/Fp2 电极仍存在明显的眼电伪迹（尖峰信号），需通过 ICA 进一步剔除。

4. ICA 伪迹剔除：精准分离生理干扰

基于滤波后的数据进行 ICA 分解，重点识别并剔除眼电、肌电伪迹：

python

# ---------------------- 步骤1：ICA预处理（提升分解效果） ----------------------
# ICA对低频漂移敏感，需先去除趋势（已通过高通滤波处理）
raw_ica = raw_filtered.copy().detrend(axis=-1)  # 去除线性趋势

# ---------------------- 步骤2：ICA分解 ----------------------
ica = mne.preprocessing.ICA(
    n_components=20,  # 分解为20个独立成分（64通道数据，取1/3左右避免过拟合）
    random_state=42,  # 固定随机种子，结果可复现
    max_iter='auto',  # 自动调整迭代次数，确保收敛
    method='fastica'  # 快速ICA算法，效率高
)
ica.fit(raw_ica)  # 基于预处理后的数据拟合ICA模型

# 可视化所有独立成分（ICs）的空间拓扑图（便于手动识别伪迹）
ica.plot_components(
    picks=range(20),
    title='ICA分解后的20个独立成分（拓扑图）',
    show=True,
    block=True
)

# ---------------------- 步骤3：自动识别伪迹成分 ----------------------
# 1. 自动识别眼电伪迹（基于Fp1/Fp2电极的相关性）
eog_indices, eog_scores = ica.find_bads_eog(
    raw_filtered,
    ch_name=['Fp1', 'Fp2'],  # 前额电极作为眼电参考
    threshold=2.0  # 相关性阈值（越高筛选越严格）
)

# 2. 自动识别肌电伪迹（基于高频功率特征）
emg_indices = ica.find_bads_muscle(raw_filtered, threshold=4.0)

# 合并伪迹成分索引（去重）
bad_ics = list(set(eog_indices + emg_indices))
print("自动识别的伪迹成分索引:", bad_ics)

# 可视化伪迹成分的时间序列（验证识别准确性）
if bad_ics:
    ica.plot_sources(
        raw_filtered,
        picks=bad_ics,
        title=f'伪迹成分时间序列（索引：{bad_ics}）',
        show=True,
        block=True
    )

    # ---------------------- 步骤4：手动修正伪迹成分（关键步骤） ----------------------
    # 自动识别可能存在遗漏，需结合拓扑图和时间序列手动调整
    # 示例：若发现索引5也是眼电成分，添加到bad_ics中
    # bad_ics.append(5)
    # bad_ics = list(set(bad_ics))  # 去重

    # ---------------------- 步骤5：重构信号（剔除伪迹成分） ----------------------
    raw_cleaned = raw_filtered.copy()
    ica.apply(raw_cleaned, exclude=bad_ics)

    # 对比ICA处理前后的信号（以Fp1电极为例，观察眼电伪迹变化）
    ica_before_fp1 = raw_filtered.get_data()[fp1_idx, :int(10 * raw.info['sfreq'])]
    ica_after_fp1 = raw_cleaned.get_data()[fp1_idx, :int(10 * raw.info['sfreq'])]

    plt.figure(figsize=(14, 6))
    plt.subplot(2, 1, 1)
    plt.plot(times, ica_before_fp1, color='#F39C12', alpha=0.7)
    plt.title('ICA处理前：Fp1电极信号（含眼电伪迹）', fontsize=12)
    plt.ylabel('电压（μV）', fontsize=10)
    plt.grid(True, alpha=0.3)

    plt.subplot(2, 1, 2)
    plt.plot(times, ica_after_fp1, color='#3498DB', alpha=0.7)
    plt.title(f'ICA处理后：Fp1电极信号（剔除伪迹成分{bad_ics}）', fontsize=12)
    plt.xlabel('时间（秒）', fontsize=10)
    plt.ylabel('电压（μV）', fontsize=10)
    plt.grid(True, alpha=0.3)

    plt.tight_layout()
    plt.show()

    # 可视化最终去噪后的信号
    raw_cleaned.plot(
        duration=10,
        n_channels=len(picks),
        scalings=dict(eeg=100e-6),
        title='最终去噪后EEG信号（环境噪声+生理伪迹均去除）',
        show=True,
        block=True
    )
else:
    print("未自动识别到伪迹成分，需手动从ICA成分图中选择！")
    # 手动选择伪迹成分后，执行重构：
    # bad_ics = [2, 5]  # 示例：手动选择的伪迹成分索引
    # raw_cleaned = raw_filtered.copy()
    # ica.apply(raw_cleaned, exclude=bad_ics)

ICA 伪迹识别关键技巧：

• 眼电伪迹成分：拓扑图中前额电极（Fp1/Fp2）权重高，时间序列中存在与眨眼同步的尖峰；
• 肌电伪迹成分：拓扑图中颞区 / 额区电极权重高，时间序列中为高频锯齿波；
• 心电伪迹成分：拓扑图中颈部 / 颞区电极权重高，时间序列中为周期性脉冲。

5. 阈值筛选：剔除残留强伪迹

ICA 处理后可能仍存在少量突发伪迹（如电极移动），通过阈值法剔除异常信号段：

python

# ---------------------- 步骤1：提取事件标记（运动想象任务） ----------------------
events = mne.read_events(event_fname)
event_id = {'left_hand': 1, 'right_hand': 2, 'foot': 3, 'tongue': 4}  # 任务类型

# ---------------------- 步骤2：创建Epochs（按事件分段） ----------------------
epochs = mne.Epochs(
    raw_cleaned,
    events,
    event_id=event_id,
    tmin=-0.2,  # 事件前200ms（基线期）
    tmax=0.8,   # 事件后800ms（任务期）
    baseline=(-0.2, 0),  # 基线校正
    preload=True,
    verbose=False
)

# ---------------------- 步骤3：阈值筛选（剔除异常Epochs） ----------------------
# 方法1：基于峰峰值阈值（EEG有效信号峰峰值通常<100μV）
reject_criteria = dict(eeg=100e-6)  # 峰峰值>100μV的Epochs视为异常
epochs_cleaned = epochs.copy().drop_bad(reject=reject_criteria)

# 方法2：基于Z-score阈值（剔除偏离均值3个标准差的Epochs）
# epochs_cleaned = epochs.copy().drop_bad(z_threshold=3.0)

# 统计剔除效果
print(f"原始Epochs数量: {len(epochs)}")
print(f"阈值筛选后Epochs数量: {len(epochs_cleaned)}")
print(f"剔除比例: {1 - len(epochs_cleaned)/len(epochs):.2%}")

# 可视化筛选前后的Epochs质量（ERP对比）
left_erp_before = epochs['left_hand'].average()
left_erp_after = epochs_cleaned['left_hand'].average()

plt.figure(figsize=(12, 4))
left_erp_before.plot(picks=['C3'], axes=plt.gca(), label='筛选前', color='#E74C3C', linewidth=2)
left_erp_after.plot(picks=['C3'], axes=plt.gca(), label='筛选后', color='#27AE60', linewidth=2)
plt.title('C3电极左手运动想象ERP（阈值筛选前后对比）', fontsize=12)
plt.xlabel('时间（秒）', fontsize=10)
plt.ylabel('电压（μV）', fontsize=10)
plt.legend()
plt.grid(True, alpha=0.3)
plt.show()

# 保存去噪后的数据（用于后续特征提取）
epochs_cleaned.save('eeg_cleaned-epo.fif', overwrite=True)
print("去噪后的数据已保存为：eeg_cleaned-epo.fif")

阈值筛选注意事项：

• 峰峰值阈值需根据数据特点调整（如儿童 EEG 信号幅度较小，可设为 ±80μV）；
• 剔除比例不宜过高（建议 < 20%），否则会丢失有效数据，影响后续分析。

6. 去噪效果量化评估

仅靠可视化不够，需通过量化指标验证去噪效果，常用指标包括信噪比（SNR）、功率谱密度（PSD）、ERP 波形平滑度：

python

# ---------------------- 指标1：计算信噪比（SNR） ----------------------
def calculate_snr(data, sfreq, signal_band=(0.5, 45), noise_band=(55, 65)):
    """
    计算SNR：信号频段功率 / 噪声频段功率
    data: EEG数据（n_channels, n_times）
    sfreq: 采样率
    signal_band: 有效信号频段
    noise_band: 噪声频段（无有效信号）
    """
    from mne.time_frequency import psd_array_welch
    psd, freqs = psd_array_welch(data, sfreq=sfreq, fmin=0.5, fmax=70, n_fft=1024)
    
    # 计算信号功率和噪声功率
    signal_idx = np.logical_and(freqs >= signal_band[0], freqs <= signal_band[1])
    noise_idx = np.logical_and(freqs >= noise_band[0], freqs <= noise_band[1])
    signal_power = np.mean(psd[:, signal_idx], axis=1)
    noise_power = np.mean(psd[:, noise_idx], axis=1)
    snr = 10 * np.log10(signal_power / noise_power)
    return np.mean(snr)  # 返回所有通道的平均SNR

# 计算各阶段SNR
raw_snr = calculate_snr(raw.get_data(), raw.info['sfreq'])
filtered_snr = calculate_snr(raw_filtered.get_data(), raw.info['sfreq'])
cleaned_snr = calculate_snr(raw_cleaned.get_data(), raw.info['sfreq'])
epochs_snr = calculate_snr(epochs_cleaned.get_data().mean(axis=0), raw.info['sfreq'])

print("\n去噪效果量化评估（SNR）：")
print(f"原始数据SNR: {raw_snr:.2f} dB")
print(f"滤波后SNR: {filtered_snr:.2f} dB")
print(f"ICA去伪迹后SNR: {cleaned_snr:.2f} dB")
print(f"阈值筛选后SNR: {epochs_snr:.2f} dB")

# ---------------------- 指标2：功率谱密度（PSD）对比 ----------------------
# 对比原始数据和去噪后数据的PSD（C3电极）
c3_idx = raw.ch_names.index('C3')
psd_raw, freqs = mne.time_frequency.psd_array_welch(
    raw.get_data()[c3_idx:c3_idx+1], sfreq=raw.info['sfreq'], fmin=0.5, fmax=50, n_fft=1024
)
psd_cleaned, _ = mne.time_frequency.psd_array_welch(
    raw_cleaned.get_data()[c3_idx:c3_idx+1], sfreq=raw.info['sfreq'], fmin=0.5, fmax=50, n_fft=1024
)

plt.figure(figsize=(10, 4))
plt.semilogy(freqs, psd_raw[0], label='原始数据', color='#E74C3C', alpha=0.7)
plt.semilogy(freqs, psd_cleaned[0], label='去噪后数据', color='#27AE60', alpha=0.7)
plt.axvline(x=50, color='black', linestyle='--', alpha=0.5, label='50Hz工频')
plt.title('C3电极功率谱密度（PSD）对比', fontsize=12)
plt.xlabel('频率（Hz）', fontsize=10)
plt.ylabel('功率谱密度（μV²/Hz）', fontsize=10)
plt.legend()
plt.grid(True, alpha=0.3)
plt.show()

合格去噪标准：去噪后 SNR 提升≥3dB，PSD 图中 50Hz 工频干扰峰值消失，ERP 波形平滑无尖峰伪迹。

四、去噪实操关键技巧与避坑指南

1. 参数选择技巧

• 滤波参数：高通滤波截止频率≤1Hz（避免丢失 δ 波），低通滤波截止频率 = 采样率 / 3~1/2（抗混叠），陷波滤波带宽 = 2~4Hz（平衡工频去除和信号保留）；
• ICA 成分数：通常为通道数的 1/3~1/2（如 64 通道→20~30 个成分），成分数过多易过拟合，过少无法分离伪迹；
• 阈值设置：峰峰值阈值建议 ±80~120μV（根据数据实际幅度调整），Z-score 阈值 = 3.0（经典异常值筛选标准）。

2. 常见坑与解决方案

问题	表现	解决方案
ICA 分解效果差	成分拓扑图模糊，无法识别伪迹	1. 先进行高通滤波（≥1Hz）；2. 去除数据趋势；3. 增加 ICA 迭代次数
伪迹剔除过度	ERP 波形失真，有效信号丢失	1. 减少伪迹成分数量；2. 降低自动识别阈值；3. 结合手动验证
工频干扰未完全去除	PSD 图中 50Hz 仍有明显峰值	1. 扩大陷波带宽（如 3Hz）；2. 增加谐波陷波（如 100Hz）；3. 检查采集环境接地
阈值筛选后数据量过少	剔除比例 > 30%	1. 放宽阈值（如 ±120μV）；2. 先手动剔除明显坏段，再进行阈值筛选

3. 不同场景的去噪方案适配

• 科研场景（高密度 EEG，64/128 通道）：采用 “FIR 滤波 + ICA + 阈值筛选”，追求高精度去噪；
• 消费级场景（低通道 EEG，4/8 通道）：采用 “IIR 滤波 + 回归法 + 简单阈值”，兼顾速度和效果；
• 实时 BCI 场景：采用 “在线陷波滤波 + 滑动窗口 ICA + 实时阈值”，优化计算效率（如使用 mne.realtime 模块）。

五、总结

EEG 去噪是数据预处理的核心，其本质是 “针对性分离有效信号与干扰成分”：滤波负责解决 “频率已知的环境噪声”，ICA 负责解决 “频率重叠的生理伪迹”，阈值筛选负责兜底 “残留的突发伪迹”。

本文通过完整代码实现了从原始数据到干净数据的全流程，关键在于：

1. 理解噪声 / 伪迹的特征，选择合适的去噪方法；
2. 精细化调整参数（如滤波截止频率、ICA 成分数、阈值）；
3. 结合可视化和量化指标验证去噪效果，避免过度去噪或去噪不彻底。

掌握这套去噪流程后，可直接应用于运动想象、P300、稳态视觉诱发电位（SSVEP）等各类 BCI 任务，为后续特征提取（如 CSP、时域特征、频域特征）和模型训练（如 SVM、CNN）奠定坚实基础。