第 3 层 · 通道清理层 · 第 8 步 / 共 25 步

步骤 08:带通滤波

0.1–40 Hz 带通滤波,去除低频与高频噪声

🕐 18 分钟🎯 难度:进阶🔗 核心 API:raw.filter⬅️ 前置:步骤 7

1. 目标

在频域上保留感兴趣的信号（如 0.1–40 Hz）、剔除噪声与漂移。带通是几乎所有 ERP 研究的必备步骤，会显著影响后续 ICA、阈值拒绝、autoreject 的有效性。

2. 何时使用 / 何时跳过

必须使用：几乎所有 EEG/ERP 实验
可跳过：仅在分析超高频（如 gamma 100+ Hz）或纯直流（DC）信号时
高通特殊：若计划做 ICA，建议高通 ≥ 1 Hz，避免 ICA 拆出超低频漂移成分

3. 前置条件

已执行步骤 07：原始坏导已标记

4. 核心代码

Python

import mne

# ====== 方式 A：标准 ERP 带通 ======
raw.filter(
    l_freq=0.1,    # 高通：剔除超低频漂移、DC offset
    h_freq=40.0,   # 低通：剔除肌电、高频干扰
    picks=['eeg', 'eog', 'ecg'],
    method='fir',  # 推荐 FIR，无相位偏移
    phase='zero',  # 零相位（双向滤波）
    fir_design='firwin',
    skip_by_annotation='edge',
)

# ====== 方式 B：低通 + 高通分别设置 ======
# 低通（消除 50 Hz 工频的更高次谐波也用此）
raw.filter(l_freq=None, h_freq=40.0, picks=['eeg'])

# 高通（保留低频 ERP 成分如 P300、CNV）
raw.filter(l_freq=0.1, h_freq=None, picks=['eeg'])

# ====== 方式 C：保留低频 ERP 研究 ======
# 用于 N400、MMN、P600 等需要保留慢成分的研究
raw.filter(l_freq=0.01, h_freq=30.0, picks=['eeg'])

# ====== 方式 D：儿童 / 高噪声数据 ======
raw.filter(l_freq=0.3, h_freq=30.0, picks=['eeg'])

# ====== 方式 E：ICA 前的特定滤波 ======
# ICA fit 建议：l_freq=1.0, h_freq=None（保留更多 ICA 信息）
# 但必须在拟合 ICA 前临时应用，后续按需重置
# raw_for_ica = raw.copy().filter(l_freq=1.0, h_freq=None)

5. 参数详解

参数	含义	推荐值
`l_freq`	高通（Hz）	`0.1`（一般）/ `1.0`（ICA 前）/ `0.01`（保留慢成分）
`h_freq`	低通（Hz）	`40`（标准）/ `30`（儿童）/ `100`（高频分析）
`method`	滤波算法	`'fir'`（推荐）；`'iir'`（更快但有相位风险）
`phase`	相位特性	`'zero'`（零相位）/ `'zero-double'`（双向）
`fir_design`	FIR 设计方法	`'firwin'`（默认，窗函数法）
`skip_by_annotation`	跳过带 annotation 的数据	`'edge'`（推荐）
`n_jobs`	并行核数	`1`（一般）；`-1`（全核）

6. 验证方法

Python

# 验证 1：检查滤波后频谱
raw.compute_psd(fmax=80).plot(average=True)
# 期望：低于 0.1 Hz 与高于 40 Hz 衰减明显

# 验证 2：检查 info 中的高低通
print(f"滤波后: highpass={raw.info['highpass']}, lowpass={raw.info['lowpass']}")
assert raw.info['highpass'] >= 0.1
assert raw.info['lowpass'] <= 40

# 验证 3：可视化
raw.plot(duration=5, n_channels=30)
# 期望：低频漂移消失、信号更稳定

# 验证 4：时域振幅不应有剧烈变化（过强滤波导致）
data, _ = raw[:5, :5000]  # 前 5 导、前 5 秒
peak_to_peak = (data.max() - data.min()) * 1e6
print(f"峰峰振幅: {peak_to_peak:.1f} µV")
# 期望：100~500 µV（正常）

7. 常见错误

错误	原因	解决方案
`l_freq=0` 引入了 DC 漂移	0 Hz 等价于未滤波	用 `l_freq=0.1` 或更高
`h_freq=50` 与 notch 冲突	notch 也消除 50 Hz	把 `h_freq` 设为 ≤ notch 频率 - 2
滤波后 ERP 振幅明显变小	滤波过窄丢失了核心频段	调宽 `h_freq` 至 30–40 Hz
滤波后出现边缘伪迹	FIR padding 不足	提高 `l_trans_bandwidth` 与 `h_trans_bandwidth`（默认自动）
用 IIR 后 ERP 时序错位	IIR 默认非零相位	改 `method='fir'` 或加 `phase='zero'`

8. 官方来源

资源类型	链接
`raw.filter`	https://mne.tools/stable/generated/mne.io.Raw.html#mne.io.Raw.filter
滤波教程	https://mne.tools/stable/auto_tutorials/preprocessing/30_filtering_resampling.html
FIR vs IIR 对比	https://mne.tools/stable/auto_tutorials/preprocessing/30_filtering_resampling.html
notch_filter（步骤 09）	https://mne.tools/stable/generated/mne.io.Raw.html#mne.io.Raw.notch_filter

9. 学术引用

Widmann, A., & Schröger, E. (2012). Filter effects and filter artifacts in the analysis of electrophysiological data. Frontiers in Psychology, 3, 233.

Luck, S. J. (2014). An Introduction to the Event-Related Potential Technique (2nd ed.), Chapter 4. MIT Press.