本文只介绍了预处理的基本操作，但是并没有解释为什么要这么做，因此，更加适用于理解了原理但不知道要怎么做的朋友。而对于刚入门学习的朋友，我建议先看原理篇，将原理理解了之后再去做操作，或者将两篇结合起来看。
脑电数据预处理-原理篇

脑电数据预处理

0. 下载软件

需要用到的是matlab和eeglab。这篇文章中使用的版本是matlab2013+eeglab13。现在我 主要用的是eeglab14。个人建议，刚开始学习的朋友，使用这个版本的就足够了。放一个我自己现在用的eeglab的下载链接。想要的朋友可以自取。
链接：https://pan.baidu.com/s/1gwVeeEdYnY-l1w2kHY6inA
提取码：0nnf

1. 导入数据

选择要导入的数据格式

导入数据.png

导入数据.png

重命名dataset

2. 对数据进行初步认识

eeglab面板信息

• channel per frame： 64 指导入的数据有64个通道
• frames per epoch： 一段数据的总长度，是439880采样点
• epochs：指当前数据的段数，原始数据还没有进行分段，因此显示只有一段
• events：检测到当前数据一共有202个events
• sampling rate（HZ）：数据的采样率为1000HZ
• epoch start和epoch end: 这个的分段是从0秒开始，到439.879秒结束。还没有进行分段所以看这个数值没有意义
• reference: 指数据的参考点，重参考后会显示重参考的电极点，或者average，目前还没有进行重参考所以是unknown
• channel locations：是否有对通道进行定位，目前显示没有，定位后会显示为yes
• ICA weights：是否对数据进行了ICA独立主成分分析，分析后会显示yes
• dataset size：数据的大小

3. 电极定位

默认文件是standard-10-5-cap385.elp，点击确定即可

channel locations

channel locations

点击OK之后可以进入下一步查看数据

channel locations info

• 如果确定该通道是根据国际排布系统来确定的，那可以修改label名称后再点击下方的look up locs来更新通道位置信息，比如上图的VEO改为VEOG，然后更新位置信息之后就可以看到了
• 如果不是国际排布系统，可以向厂家要电极的坐标位置信息
• 如果知道该电极点的精确坐标，可以手动输入

• 双侧乳突的电极点位置可能会根据脑电系统的不同而不同，比如TP9 TP10,A1 A2, M1 M2这三对都是指双侧乳突

  
  
  更新后的电极点坐标

4. 移除无用电极

此处我们要移除掉两个眼电数据

select data

select data

select data

5. 重参考

此处要将数据转换为双侧乳突平均参考，即TP9，TP10

re-reference

re-reference

2021.12.17 补充
双侧乳突平均参考可以在这里做，但如果是全脑平均参考的话，建议在进行完所以预处理，数据都干净了之后再进行重参考

2021.12.18 补充
关于单侧乳突转双侧乳突可以看这篇文章 单侧乳突转双侧乳突平均

6. 重采样

不一定每个数据都需要进行重采样，可根据需要进行

re-sampling

re-sampling

7. 滤波

此处选择默认的滤波器进行0.1-30Hz的滤波

filter

filter

8. 分段和基线校正

extract epochs

extract epochs

baseline correction

9. 插值坏导

对数据进行检查，如果发现某个通道的数据坏了，可以用插值的方式来进行校正
此处要校正的通道为FC3，选择插值的通道为它周围的四个电极点，F3,FC1,C3,FC5

• 第一种方法是代码操作

EEG.data(a,:,:) = mean(EEG.data([b c d],:,:)) ; 

其中a代表坏掉的电极点数值，b c d 代表要进行插值平均的电极点数值
如果不确定通道数值是多少，可以通过Plot - channel locations - by name 来进行查看

channel name

channel name

EEG.data(17,:,:) = mean(EEG.data([8 18 26 16],:,:)) ; 

这句代码的意思是指，第17个通道的数值，用第8，18，26，16这四个通道数值的平均值来代替

• 第二种方法是面板操作，用eeglab的默认算法进行

  
  
  interpolate electrodes
  
  
  interpolate electrodes

10. ICA

使用ICA算法剔除伪迹，此步操作耗时较长

run ICA

run ICA

run ICA

save dataset

reject ICA

plot ICA

plot ICA

plot ICA

plot ICA

mark ICA

除了上面那种方式之外，还可以使用逐个成分画出的方式来查看和标记

plot ICA

plot ICA

11. 剔除ICA成分

remove ICA

remove ICA

check data

所有通道的ERP图

所有通道单个trial的图

12. 剔除坏段

• 绝对阈值法
  此处我们选择剔除掉超出±100μV的trial。

  
  
  reject epoch
  
  
  reject epoch

• 目视检查法

  
  
  channel data
  
  
  逐个trial进行查看，如果发现有伪迹过大的trial想要剔除的话，单击该trial，它会变成黄色。选择完所有trials后，点击下方的reject即可。此处选中的两个trials仅仅作为演示用。
  reject trials

13. 保存数据

至此EEG数据的预处理就基本完成了，我们可以再次将这个数据保存起来，以供下一步操作。

推荐阅读

如何识别ICA成分
脑电数据预处理-原理篇
theta gamma coupling 相位振幅耦合