企业官网建设流程全解析

接触脑电数据分析这几年，我最深刻的体会是：这行真正的门槛不在算法，而在数据。很多时候，问题不是出在某个时频分析没用对，而是数据从采集那一刻起就已经埋下了隐患。我见过太多人拿到的数据集一塌糊涂，滤完波、去了伪迹还是没法用，最后只能回头重做实验，浪费几个月时间。

这篇文章我不打算讲教科书式的流程，而是结合我自己做过的项目，把一套从原始脑电数据到最后统计结果、机器学习模型的完整链路拆开来说。包括采集端我踩过的坑、预处理顺序为什么不能乱、特征提取的参数怎么定才不踩雷、统计校正为什么必须做，以及MNE-Python里我固定下来的几段流水线代码。内容偏实操，也会把每个关键步骤背后的“为什么”讲清楚。适合刚接触脑电数据分析的研究生、想转行做EEG的算法工程师，以及那些跟我当时一样，被一堆文档和各种论文预处理流程绕晕了的人。

1. 源头上的那些事：采集端质量决定分析上限

很多人拿到数据就直接跑预处理，但如果采集端出了问题，后续无论做什么处理都是亡羊补牢。我把这一节放在最前面，是因为我最初做脑电分析时，正是忽略了采集端的细节，导致一半数据在预处理时被判了“死刑”，这种代价太大了。

1.1 采样率、滤波挡位与电极安放

先说采样率。根据奈奎斯特定理，采样率至少是信号最高频率的两倍，否则高频成分会折叠到低频段，污染你关心的脑电频带。实际做EEG研究时，常见采样率是500Hz或者1000Hz。500Hz已经能覆盖到100Hz以上的信号，对于常规的delta到gamma频段分析完全够用；如果还要做肌电（EMG）相关的分析，或者对时间同步要求很高的事件相关电位（ERP），1000Hz会更稳。我自己常用的做法：如果设备允许，统一设置1000Hz，方便后面做重采样，也更有利于精准定位事件marker的时间。

电极安放方面，国际10-20系统是默认标准。64导联和32导联在实际分析中差异很大，64导更适合做源定位和网络分析，32导做ERPs和频谱也足够。但我真正想提醒的是电极阻抗。采集前把每根电极的阻抗控制在5kΩ以下，这句话几乎所有教程都会写，但实际操作时，很多初学者只看了软件上的数值就开工，忽略了电极膏是否干涸、电极与头皮接触是否均匀。我踩过的坑是：额叶某个电极阻抗显示正常，但因为头发厚、电极膏没充分搓进头皮，采集出来的信号全是工频干扰和接触噪声，后面ICA都救不回来。

电场信号本来就是微伏级别，任何接触不良都会被放大成灾难。所以实在的办法是：采集前逐导检查波形，让被试做一些眨眼和咬牙动作，看眼电通道和颞区通道有没有对应的明显反应，有反应才说明电极接地良好。这一步花不了五分钟，却能让后面的预处理轻松一大截。

1.2 参考电极：别小看这个全局“零电位”

参考电极的选择直接影响所有通道的数据。如果参考选在单侧乳突（比如M1或M2），那一侧的半球信号会相对衰减，两侧ERP波形可能出现不对称的假象。如果参考在鼻尖或者Cz，那这些位置附近的通道就会受影响，特别是Cz参考会导致中央区信号几乎为零。

分析时有一个几乎算是公理的原则：最终报告结果前，把数据重参考到全脑平均参考（average reference），这是最通用的做法。因为头皮上不存在绝对的零电位点，而全脑平均参考可以最小化参考位置对空间分布的影响，在源分析中尤其重要。具体到MNE-Python里就是raw.set_eeg_reference("average")，几行代码就搞定，但很多人忘了在导出结果时说明自己用的参考方式，这会导致后续复现时产生误解。

如果你做的是高密度脑电（128导以上），平均参考的偏差会进一步减小，这也是高密度系统在源定位中更受青睐的原因之一。

1.3 事件标记：不管数据多好，marker错误全盘皆输

事件标记（trigger）是脑电数据里最容易被忽略、但后果最严重的环节之一。它在数据里的表现是一段与EEG同步记录的数字序列，每个数字代表一种刺激或按键事件。如果marker打错了一个数字，或者刺激呈现与marker写入之间有延迟，那后续提取epoch、对齐事件、计算ERP，全部都会错位，而且这种错误很难靠肉眼在波形上发现。

这里我分享一个教训。某次我做Oddball实验，程序用Psychtoolbox呈现刺激，按照官方文档直接调用了send trigger，但后来我在验证时发现，部分试次的marker延迟了整整一个刷新率周期（约16.7ms）。这个延迟在统计平均时会被“抹平”一部分，所以波形整体看起来没问题，但P300的潜伏期在组间比较时就会多出一个系统性的偏差。后来我在所有行为实验里养成了一个习惯：把实际呈现时间通过光电二极管写入额外通道，或者至少做一份marker时间戳和刺激时间戳的对比验证。

preprocessing做得再好，marker错了就是错了。拿到一份数据，第一件事不是看图，而是检查marker数量和实验设计是否一致，每个条件下的试次数是否符合预期。用MNE自己处理过数据的人都知道，events数组里会出现重复标记或缺失标记，我建议从原始事件文件出发做一次清洗和映射，不要直接在分析代码里手动改。

2. 预处理流程：顺序错了，后面全歪

预处理的核心目标只有一个：把非神经源的电活动（眨眼、心跳、肌肉活动、导线移动噪声）从脑电信号里剥离出来，同时尽量保留真实的神经信号。关键在于这个“尽量”，因为任何处理本质上都是剔除了部分数据，过度处理甚至会把你想找的效应也滤掉。

2.1 滤波不是越快越好，也不是越干净越好

很多人一上来就做0.1-40Hz的带通滤波，看起来没毛病，但对于不同任务，这个固定组合不一定合适。比如做alpha波段（8-13Hz）静息态分析，高通截断频率设置在0.1Hz没问题；但如果做慢波电位，就得看你的实验时长和基线漂移情况，高通截断频率设在0.01Hz甚至更低。高通滤波太高会削掉慢波成分，包括ERP中很关心的CNV（关联性负变）这类慢电位。

还有一个关键点：滤波必须用零相位滤波器。常规的IIR滤波器（比如Butterworth）会产生相位偏移，导致波形在时间上被扭曲。MNE-Python的raw.filter()默认用的是firwin设计零相位FIR滤波器，处理时还会对开头的边缘做补偿，所以直接用它相对安全。但如果你在别的工具链里用了scipy.signal.lfilter，这个函数是因果滤波，会产生相位延迟，事件对齐时间点就歪了。要用的话，必须配合scipy.signal.filtfilt做前后向滤波，这也是“零相位”的工程实现基础。

我在实际项目中见过一个高频案例：低通滤波截断设置在30Hz，把很多ERP成分削到面目全非。ERP里的P300主要能量其实在0.5Hz到8Hz之间，30Hz以上的成分本来就很少，所以低通设在30Hz看似合理，但有些研究N400或失匹配负波（MMN）的，如果刺激之间间隔很短，波形峰值会被拉宽，潜伏期就会受影响。所以下结论之前，最好先检查你关心的成分频谱范围，不要照搬别人的滤波参数。

2.2 坏导识别与插值：别让一根电极毁掉全局

坏导（bad channel）是脑电数据的常态。要么是某根导线接触不良，要么是某个位置的电极膏干了，信号变成一条平坦线或者高频毛刺。有的流程会直接删掉坏导，但如果你的电极数量本来就不多，删掉一根就会导致部分脑区覆盖不全。我的建议是插值，用周围电极的信号去估计坏导位置的数据。

插值的数学基础是球面样条插值（spherical spline interpolation），MNE里用raw.interpolate_bads()就可以实现。插值的前提是坏导必须满足“局部性”，也就是周围导联信号是正常的；如果大片电极都坏了，插值结果本质上就是预估，不能替代真实测量。

识别坏导的心得：不要只盯某个通道的方差，要看频谱和噪声形态。坏导的频谱往往在某个宽频范围内异常高，或者波形出现剧烈的锯齿状跳变。我习惯先用raw.plot()快速扫一遍，再结合raw.compute_psd()看哪几个通道在高频段的能量特别离谱，最后标记。这一步看着主观，但做多了，对坏导的判断会非常快，基本一眼就能扫出来。

2.3 ICA去伪迹：原理、操盘和判断IC的坑

独立成分分析（ICA）是目前去除眼电和肌电伪迹的主流办法。它的原理，形象一点说，就像在演唱会现场用多个麦克风录音，然后通过算法把吉他声、鼓声和人声分别分离出来。ICA假设头皮的各个电极记录到的是若干个互相独立的源信号线性混合的结果，分离出的独立成分里，有些对应神经活动，有些对应眨眼、心跳和肌肉活动，我们要做的就是把后者清零，再把剩下的成分映射回电极空间。

但ICA不是万能的，几个常见的坑我得重点说：

• 数据必须处理好坏导和滤波之后再跑ICA。如果坏导没有被插值或剔除，ICA会把坏导的异常当作一个独立成分分离出来，反而掩盖了真实噪声。
• ICA里分辨伪迹成分靠的是经验和判断，而不是某个自动算法就能完美解决。眼动伪迹的独立成分在地形图上呈现额叶前沿的高幅值梯度，在时间序列上则表现为大而宽的偏转；肌电伪迹通常是频谱上的宽频带高能量，主要分布在高频段；心跳伪迹成分则可能与脉搏周期同步。
• ICA成分被剔除之后，千万要检查剩余成分的功率谱。如果在1-30Hz范围内出现了不正常的尖峰，说明原始成分被过度分解了，可能是数据本身质量有问题，也可能是ICA的迭代没有收敛。
• ICA之前要降采样？不是必须，但降采样可以大幅减少计算时间，而且脑电分析的感兴趣的频带一般都在100Hz以内，只要能保证你关心的最高频率低于重采样后奈奎斯特频率，降采样到250Hz是可以接受的，我一般在预处理的最后阶段才降采样，而不是一开始就降。

运行ICA的代码其实不复杂，麻烦的是用它解释成分。MNE中的ica.plot_components()把每个成分的地形图和时间序列画出来，我通常先看地形图，再看频谱，最后看时间序列。跑一轮大概花十几分钟，但这一步非常值得，因为如果你误把神经成分当成伪迹删掉，那后面的统计就废了。

2.4 分段与基线校正

预处理完成后进入分段（epoch）阶段。分段是事件相关分析的基础，把连续数据按照marker切成一个个以刺激或响应为中心的小片段。这里有几个细节：

• 分段窗口的长度根据研究目的来定。ERP分析一般取刺激前200ms到刺激后800ms或1000ms，刺激前的200ms作为基线；如果是研究视觉稳态诱发电位（SSVEP），窗口可能需要更长，比如刺激前1秒到刺激后5秒。
• 基线校正的作用，是把刺激前的平均电压作为零点，去除低频漂移带来的影响。但如果基线窗内本身有大漂移，就会把漂移“旋转”进刺激后的数据里，造成基线抬高或压低。所以基线校正之前，数据里不能有大尺度漂移，这一步也依赖前面高通滤波做得好。
• 分段后的伪迹剔除，通常有阈值法、标准差法和峰到峰法。我在实际中喜欢先设定一个宽的阈值（比如±150μV）做初步删除，再用ICA去除剩余伪迹，最后对每个epoch做一次目检。但目检的工作量很大，数据多时我会画一个epoch叠加图，看整体趋势，而不是逐帧看。

分段做完后，如果要做组间比较，建议把被试信息作为元数据记录下来，MNE的Annotations和Epochs.metadata就是干这个的。之前我用Excel管理被试分组，后来分析时发现几个文件命名不一致，光对齐就浪费了大半天，现在直接写在metadata里，代码里一步到位。

3. 特征提取：频域、时域、时频三把刀怎么选

预处理完的数据，拿到了，接下来就是看怎么从里面压出可用的指标。这里最忌讳的是东戳一下西戳一下，每次试一个不同参数最后挑一个“好看”的结果，这属于典型的假设挖掘，统计上不干净。特征提取要在正式分析之前规划好，并把这些规划写进分析预案。

3.1 功率谱密度：Welch法的窗口选择决定分辨率与置信度

频域分析最常用的是功率谱密度（PSD），它回答的是“信号在不同频率上的能量分布”。估计PSD的方法很多，实际项目里用得最多的是Welch法，它的思想是把信号分成多段重叠的窗口，分别做傅里叶变换，再对所有窗口的功率谱取平均。这样做的好处是方差更小、曲线更平滑，代价是频率分辨率下降。

窗口长度的选择，直接对应你关心的频带。一个4秒的汉宁窗，频率分辨率大约是1/4Hz；如果只关心theta和alpha频段（4-13Hz），这个分辨率够用。但如果你关心1Hz以下的慢波，4秒窗口就不够看了，至少需要8秒甚至10秒的窗口。做静息态分析时，我一般把连续数据切成2秒、4秒或8秒的等长片段，再在片段内用Welch法估计，最后对片段平均。这个操作有个额外的好处：方便做试次间的统计检验，比如计算每个频带的被试内一致性。

需要特别注意的是，PSD的绝对幅值容易受电极位置、头皮厚度等因素影响，所以组间比较时建议做相对功率（某频带功率除以总功率），或者做log变换后再进统计模型。很多新手拿绝对功率直接做t检验，结果显著，但很可能只是某个被试整体信号幅值偏高，这种结果几乎没有可解释性。

3.2 ERP与时域特征：基线校正到底在干嘛

时域分析最经典的是事件相关电位（ERP），它通过对多个epoch做平均，把与事件锁时的神经响应提取出来，而随机噪声随着叠加次数增多而抵消。ERP的核心特征指标包括潜伏期（峰值对应的时间点）和幅值（比如峰值幅度或平均幅度）。平均幅度在噪声较大时比峰值更稳，因为峰值对噪声敏感，而平均幅度在一段时间窗内测量，更鲁棒。

这里聊一个很多人问我的问题：ERP的潜伏期和幅值差异，是应该在单个被试水平上先测量再统计，还是把所有被试的叠加平均拉出来比？我的观点是：必须要做被试水平上的逐试次测量，再做组间统计。总平均波形（grand average）能做可视化，但统计推断建立在个体水平数据上，因为如果只用总平均一条线去比，你失去了被试间变异的信息，显著性检验没有任何依据。

ERP的波形图很容易让人产生“肉眼显著”的错觉，两条曲线差距挺大，但组内个体差异更大，最后统计结果根本不显著。所以做ERP分析一定要把单个被试的数据和统计结果一起呈现。

3.3 时频分析：什么时候用，窗长怎么定

时频分析解决的一个问题时域和频域都不好解决的问题：信号在哪个时间点出现了哪个频率成分的变化。常用的方法有短时傅里叶变换（STFT）和小波变换。STFT的概念很好理解，就是把信号切成一帧一帧，对每帧做FFT，得到随时间变化的频谱。问题在于窗长固定，时间分辨率和频率分辨率存在物理上的权衡——窗长越长，频率越准，但时间定位越差；窗长越短，时间定位越准，但频率越模糊。

小波变换用的是一种可伸缩的窗函数，低频用长窗，高频用短窗，因此能更好地适应脑电这种非平稳信号。以Morlet小波为例，其核心理念是在每个频率上用对应宽度的高斯窗和正弦波做卷积，从而得到该频率随时间变化的幅值。实际参数方面，常用的频率范围1-40Hz，对数间隔或线性间隔都行；循环次数（Morlet小波中的n_cycles）选择直接决定频带宽度和时间窗口：n_cycles越大，频率分辨率越高，但时间分辨率越低。做时频分析时，我习惯让低频保持较小的cycle值（比如1到2），高频到40Hz时可以用3到5，兼顾精度。

时频分析特别适合用来观察事件相关同步/去同步（ERS/ERD），比如运动想象任务中mu节律（8-12Hz）在运动对侧半球出现去同步。如果你直接看ERP波形，这个效应其实不明显，但在时频图上非常清晰，这也是很多人做了时频分析之后“豁然开朗”的原因。

3.4 常用特征速查表

我把实际项目中常用的特征整理成一个表，方便后续做特征工程时对照选用。

这里特别提醒一句：复杂度特征和连接性特征都要对数据长度和预处理相当敏感。如果两个分组在伪迹残留程度上不一样，这些指标会出现假差异。我在做脑网络分析时，曾经因为一组被试的ICA残留稍多，就出现了全脑连接强度显著升高的结果，后来仔细核查发现跟任务完全无关。所以，用这些高阶特征之前，先要保证各组的数据质量指标（比如伪迹去除比例、坏导数量、每个epoch的平均方差）没有显著差异。

4. 统计与建模：多重比较和数据泄漏，两个最隐蔽的坑

预处理和特征提取做完，很多文章就开始贴柱状图和p值了。但实际上，脑电数据的统计分析有一个先天困难：高维数据在全脑多通道、多时间点、多频带上进行了大量比较。如果你在64个通道、200个时间点、5个频带上都做一次t检验，那就是64000次比较，即便在零假设为真的情况下，也有数千次检验会“碰巧”出现p<0.05。

4.1 多重比较校正：做了几十次检验，总有一次“显著”

最直观的校正是Bonferroni校正，把显著性阈值除以检验次数。但这个方法对所有检验完全一视同仁，在EEG这种相邻电极和相邻时间点高度相关的高维数据里，会过度保守，把真实效应也一并拒绝。

实际研究中更推荐聚类置换检验（cluster-based permutation test），思路是：先对每个数据点做逐点统计检验（比如t检验），把超过设定阈值（通常p<0.05）且在时空上相邻的数据点合并成“聚类”，聚类的统计量为范围内所有点的检验统计量之和。然后把所有被试的标签随机打乱，重复做几千次检验，得到一个关于聚类大小的零分布，看原始聚类的统计量落在分布的哪个位置，从而给出校正后的p值。这个方法的统计功效比Bonferroni高得多，因为利用了数据在时间和空间上的连续性，而且不要求太多先验信息。

MNE里做这步很方便，mne.stats.permutation_cluster_test直接处理三维数组（被试×通道×时间/频率），也可以指定adjacency来做空间上的邻接矩阵。我每次跑这个函数都会把迭代次数设置在1000以上，太少的话p值的置信区间会很宽，不方便解释。

4.2 置换检验基本逻辑

置换检验的数学思想很朴素：如果两组没有差异，那么把每个样本的组别标签随机打乱后，重新计算两组的统计量，得到的分布应该与原始统计量没有显著差别。绕着这个逻辑，你不需要假设数据服从正态分布，也不需要方差齐性，这在脑电数据里尤其友好，因为很多ERP幅度分布并不完美满足参数检验的前提。

一个常见的错误是置换检验没有以被试为单位进行。比如某个被试贡献了80个epoch，另一个被试贡献了20个epoch，如果按每个epoch来随机打乱，那么被试量不均衡就会影响置换分布。正确做法是以被试为单位打乱组别标签，确保每个被试的全部数据始终在同一个组里。但要注意，组间的被试数在置换中不能随便变化，也就是说每次置换的两组被试数量要跟原始一致。

4.3 机器学习建模中的数据泄漏

近几年，用脑电特征做机器学习分类的论文越来越多，但数据泄漏问题也同样增多。所谓数据泄漏，就是把未来信息或测试集信息无意中引入了训练过程，导致模型评估虚高，但部署时性能断崖式下降。

最典型的泄漏发生在特征标准化环节。很多人先对整个数据集计算均值和标准差，再做标准化，然后切训练集和测试集。这里的问题在于，测试集的均值和标准差已经被模型“知道”了，模型在训练时间接接触了测试分布。正确的做法是先切分数据，只在训练集上用fit计算均值和标准差，再对验证集和测试集分别做transform。

另一个隐蔽泄漏是在特征选择时用了全量数据。比如你用所有样本的t检验选出显著特征，再用这些特征做分类，然后用交叉验证评估性能——这个流程是错误的，因为特征选择过程已经看了测试集标签，评估结果一定偏高。特征选择必须嵌套在交叉验证的每一折内部完成。这个逻辑我用一句话总结：任何涉及标签或测试集信息的操作，都必须严格限制在训练折内。

MNE和sklearn的工作流，我建议用Pipeline把标准化和分类器整合起来，配合cross_val_score做交叉验证，这会减少很多人为失误。

5. 我的MNE-Python实战流水线与固定写法

工具层面，现在做脑电数据分析绕不开MNE-Python。它把读取各种设备格式、预处理、分段、时频分析、统计检验全部串成一条龙，而且开源免费，社区非常活跃。下面这套流程是我做过多个项目之后固定下来的，分享出来供你直接套用。

5.1 读取数据与全局概览

拿到一个BrainVision格式的数据（其他国家设备和国产设备，也有类似结构），我一般用这些代码：

import mne import numpy as np # 读取原始数据 raw = mne.io.read_raw_brainvision("subj01.vhdr", preload=True) # 如果你拿到的是其他格式，换成 read_raw_edf / read_raw_fif / read_raw_cnt 等 # 重参考到全脑平均 raw.set_eeg_reference("average") # 降采样，比如从1000Hz到250Hz raw.resample(250) # 标记坏导，这一步我通常在绘图观察后手动标记 # 例如 raw.info["bads"] = ["Fp1", "T7"] # 查看整体数据概览 print(raw.info) print(raw.ch_names)

读取之后先不急着滤波，我要看一眼原始信号的波形和频谱，判断噪声类型。比如发现50Hz工频干扰很强，后面就加陷波；发现某段机场地段漂移特别大，我会记录这段时间窗，在分段之前用annotations标注为坏段。

5.2 预处理函数封装

预处理一遍又一遍地调参，每调一次跑一遍全部数据，很浪费。我会把预处理封装成一个函数，参数用Python dict管理，这样对比不同参数时不用改函数逻辑，只需改配置。

def preprocess_raw(fname, config): raw = mne.io.read_raw_brainvision(fname, preload=True) raw.set_eeg_reference(config["ref"]) raw.resample(config["resample"]) raw.filter(config["l_freq"], config["h_freq"], fir_design="firwin") if config["notch"]: raw.notch_filter([50], picks="eeg") raw.set_montage("standard_1020") # 设置电极位置，做空间拓扑分析必须 return raw config = { "ref": "average", "resample": 250, "l_freq": 0.5, "h_freq": 40, "notch": True, }

关于set_montage，这个操作非常关键。没有电极坐标，你就无法绘制地形图，更没法做源定位，而且聚类置换检验里的空间邻接矩阵也要靠电极坐标来定义。我见过几个项目因为忘了这一步，后面做plot_joint时报错，排查半天才发现是坐标缺失。

5.3 特征提取与导出

预处理完成后，我会把每个被试的特征矩阵导出成CSV或保存为npy，统一进入统计或机器学习流程。导出的好处是，后面无论用R、SPSS还是重跑sklearn，都不用再重新加载原始数据。

from scipy.signal import welch def extract_band_power(epochs, bands): data = epochs.get_data() # 形状: n_epochs × n_channels × n_times sfreq = epochs.info["sfreq"] results = {} for band_name, (fmin, fmax) in bands.items(): band_powers = [] for epoch in data: # 这里假设你已经把epochs切成了2秒或4秒的等长片段 freqs, psd = welch(epoch, sfreq, nperseg=min(epoch.shape[-1], 4*sfreq)) idx = (freqs >= fmin) & (freqs <= fmax) band_powers.append(psd[:, idx].mean(axis=1)) results[band_name] = np.array(band_powers) return results bands = { "theta": (4, 8), "alpha": (8, 13), "beta": (13, 30), }

这个函数返回的数组，第二维是通道，也就是每个频带、每个通道都能得到一个均值功率。计算均值之前，一般要对所有通道的PSD做log变换，使数据分布更接近正态，适合后续参数检验。

5.4 验证数据质量的小技巧

流水线跑完之后，不能拿了结果就跑。我会做几项质量检查：

• 对比每个被试被剔除的epoch数量，如果某人的剔除率比组均值高出太多，直接把它标记为异常，后续统计时先做敏感性分析。
• 检查ICA前后各通道方差变化，如果ICA之后某个通道方差反而增大，说明那个通道本来就是好通道，噪声被错误地保留下来，这种需要检查ICA的分量选择。
• 保存每个被试的“平均参考前后差异”图，观察是否存在某个电极整体偏离参考导致全脑功率异常。

这些验证代码不复杂，但能省去审稿人让你重新处理数据的麻烦。

6. 跑数据时遇到过的那些坑：排查方向与经验

最后把我的排错经验集中列出来。脑电数据分析出错时，报错只是表层，真正的坑往往在数据本身。下面这个表是我根据自己多个项目整理出的高频问题、可能原因和处理思路，希望对你有用。

结合具体案例说一次我当时排查了挺久的问题。某个静息态项目里，我发现一组被试的beta频段功率全脑显著偏高，但任务效应完全消失。先怀疑是某批数据采集时放大器设置不一样，一翻记录发现同型号设备，参数一致。后来检查每个被试的伪迹剔除比例，发现高beta组的epoch平均方差显著大于低beta组，再一细看，高beta组里肌电伪迹残留特别多，尤其是颞区和枕区。把去除阈值放宽后重新跑，beta差异消失了。这个经历给我的教训是，任何组间显著的频段差异，都要先排除数据质量指标的系统性差异。

7. 最后分享几个实用习惯

这些习惯不算是标准流程的一部分，但每一条都在实际项目中救过我，分享给你。

第一，所有代码和参数都写进版本控制。脑电分析环节多，参数有几十个，今天调一个明天改一个，没有历史记录很快就不知道当前结果是从哪套参数来的。我自己的习惯是每个分析存一个带日期的文件夹，里面包含处理脚本、参数配置文件、中间数据路径和最终结果，这样即使半年后回来看，也能完全复现当时的分析。

第二，做统计分析前先写好分析计划。我不是说不能探索，而是探索性分析和验证性分析要分开。先定好哪些指标是主要结局指标、哪些是次要探索指标。如果先看数据再选指标，最后得到的p值基本不可信。这条在脑电领域尤其重要，因为ERP、时频、连接性可选的指标太多了。

第三，数据量大时不要硬等，先做单被试流程验证。我第一次跑时频分析时，没用小样本测试就直接在全部64个被试上跑小波变换，跑了两个多小时发现循环数设置不合理，白白浪费了时间。现在我的习惯是先用1个被试、1个通道、缩小时间窗跑通全流程，确认无bug、波形正常，再做全量处理。

脑电数据分析本质上是个耐心活，链路长、参数多、坑也不少。但反过来看，正因为门槛在数据和流程上，只要你愿意把基础环节拆细、每一步都搞清楚为什么，你做出来的结果会比大多数人靠谱得多。这篇内容是我自己经验的梳理，希望对正在跟脑电数据死磕的你有点帮助。