脑电信号质量评估指南：如何判断数据可用？

为什么信号质量评估很重要？

脑电（EEG）信号本身非常微弱（通常在微伏级别），极易受到各种噪声源的干扰。低质量的数据会导致错误的实验结论、浪费宝贵的实验时间和科研资源。掌握信号质量评估方法，是每一位神经科学研究者的基本功。

本文将从信噪比计算、伪迹识别、阻抗检测和数据清洗四个维度，系统介绍EEG信号质量评估的方法。

1. 信噪比（SNR）计算方法

信噪比是衡量信号质量最核心的指标之一。以下是两种常用的计算方法：

方法一：频域SNR

import numpy as np
import matplotlib.pyplot as plt
from scipy import signal

def compute_snr_freq(eeg_data, fs, signal_band=(8, 13), noise_band=(30, 40)):
    """计算频域信噪比"""
    freqs, psd = signal.welch(eeg_data, fs, nperseg=fs*2)

    # 信号频段（例如Alpha频段8-13Hz）
    sig_idx = np.logical_and(freqs >= signal_band[0], freqs <= signal_band[1])
    sig_power = np.mean(psd[sig_idx])

    # 噪声频段
    noi_idx = np.logical_and(freqs >= noise_band[0], freqs <= noise_band[1])
    noi_power = np.mean(psd[noi_idx])

    snr = 10 * np.log10(sig_power / noi_power)
    return snr

# 示例使用
snr_value = compute_snr_freq(eeg_channel, fs=500)
print(f"频域SNR: {snr_value:.2f} dB")
# SNR > 0dB 表示信号优于噪声，>3dB 表示质量良好

方法二：时域SNR（基于分段）

def compute_snr_temporal(eeg_data, segment_length=500):
    """通过分段计算时域SNR"""
    n_segments = len(eeg_data) // segment_length
    segments = eeg_data[:n_segments * segment_length].reshape(n_segments, -1)

    signal_power = np.var(segments, axis=1)
    noise_estimate = np.median(np.abs(np.diff(segments, axis=1)), axis=1) / 0.6745
    noise_power = noise_estimate ** 2

    snr = 10 * np.log10(np.mean(signal_power) / np.mean(noise_power))
    return snr

质量判断标准：

• SNR > 5dB — 优秀
• SNR 0 ~ 5dB — 良好，可用于大多数分析
• SNR -5 ~ 0dB — 可接受，需谨慎解释结果
• SNR < -5dB — 数据质量较差，建议重新采集

2. 眼动/肌电伪迹识别

常见的EEG伪迹包括眼电（EOG）伪迹、肌电（EMG）伪迹和运动伪迹：

眼电伪迹识别

• 眨眼伪迹 — 前额导联（Fp1, Fp2）出现大振幅、短时程（100-200ms）的尖峰波形
• 眼动伪迹 — 水平眼动在前额导联产生阶梯状电位变化
• 识别方法 — 观察FP导联波形，或使用EOG通道辅助识别

肌电伪迹识别

• 特征 — 高频（20-200Hz）、低振幅、随机分布的信号
• 常见来源 — 咬紧牙关、颈部紧张、面部肌肉活动
• 识别方法 — 检查高频段（>30Hz）功率是否异常升高

使用MNE自动识别伪迹

import mne

# 使用ICA去除伪迹
ica = mne.preprocessing.ICA(n_components=15, random_state=42)
ica.fit(raw)

# 自动识别EOG伪迹
eog_indices, eog_scores = ica.find_bads_eog(raw, ch_name=['Fp1', 'Fp2'])
ica.exclude = eog_indices

# 应用ICA校正
raw_corrected = raw.copy()
ica.apply(raw_corrected)

3. 阻抗检测标准

电极与头皮之间的接触阻抗直接影响信号质量：

• 优秀 — 阻抗 < 5kΩ（所有电极）
• 良好 — 阻抗 < 10kΩ（大多数实验的标准要求）
• 可接受 — 阻抗 < 25kΩ（个别电极）
• 不合格 — 阻抗 > 50kΩ（建议重新处理该电极）

降低阻抗的技巧：

• 使用磨砂膏清洁头皮，去除角质和油脂
• 确保导电膏/凝胶充分填充电极与头皮间隙
• 等待5-10分钟让阻抗稳定后再开始采集
• 定期检查电极是否老化，必要时更换

4. 数据清洗实战技巧

完整的数据清洗流程建议：

1. 原始数据预览 — 检查整体数据质量，标记明显坏段
2. 频域滤波 — 1Hz高通 + 40Hz低通 + 50Hz陷波
3. 坏通道剔除 — 使用MNE的自动检测或人工检查剔除异常通道
4. ICA去伪迹 — 去除眼电和肌电成分（保留神经相关成分）
5. 分段和基线校正 — 按实验条件分段，去除基线偏移
6. 自动伪迹拒绝 — 基于振幅阈值（如±100μV）剔除污染epoch
7. 插值坏通道 — 使用邻近电极插值替换已剔除的坏通道数据

# 完整数据清洗流程示例
import mne

# 1. 读取原始数据
raw = mne.io.read_raw_edf('experiment.edf', preload=True)

# 2. 滤波
raw.filter(1, 40)
raw.notch_filter(50)

# 3. 自动检测坏通道
raw.info['bads'] = []  # 清空列表
bad_channels, _ = mne.preprocessing.find_bad_channels_maxwell(raw)
raw.info['bads'].extend(bad_channels)
print(f"坏通道: {raw.info['bads']}")

# 4. ICA去伪迹
ica = mne.preprocessing.ICA(n_components=20)
ica.fit(raw)
eog_indices, _ = ica.find_bads_eog(raw)
ica.exclude = eog_indices
raw_clean = ica.apply(raw.copy())

# 5. 分段
events = mne.find_events(raw_clean)
epochs = mne.Epochs(raw_clean, events, tmin=-0.2, tmax=0.8,
                    reject=dict(eeg=100e-6),  # 拒绝振幅超过100μV的epoch
                    baseline=(-0.2, 0))

print(f"保留的epochs: {len(epochs)} / {len(events)}")