在前两篇关于 ICA 的文章下面，有不少朋友留言：
“能不能出一个完整教程？”
“到底什么样的预处理流程，才算是规范又不过度？”
这篇文章，就是对这些问题的集中回应。
需要先说明的是：
这不是一套“最复杂”的流程，也不是“顶刊模板”。
它的目标只有一个：
给你一套你能跑、能解释、能在组会上讲清楚的 EEG 预处理流程。
一、整体流程总览（先看全局）
本文采用一个非常克制、但足够严谨的四步流程：
- 初始数据质量检查（QC-1）：判断“值不值得继续分析”
- 预处理后质量检查（QC-2）：验证“清洗是否真的有益”
如果你现在对 EEG 预处理感到混乱，先把这四步跑通，比调任何参数都重要。
二、Step 1：数据统一为 BIDS-EEG（为什么这一步非常重要）
1️⃣ 为什么一定要做 BIDS？
很多初学者一上来就问：
- “能不能直接用原始 .set / .edf 跑？”
技术上可以，但科研上不推荐。
BIDS 的价值不在于格式，而在于三点：
- 后续无论 Python / MATLAB 都能无缝衔接
如果你未来打算投稿、共享数据、或者长期维护项目，BIDS 几乎是不可跳过的一步。
2️⃣ Python 示例：原始 EEG → BIDS
from mne_bids import BIDSPath, write_raw_bids
import mne
raw = mne.io.read_raw_eeglab("sub01_raw.set", preload=True)
bids_path = BIDSPath(
subject="01",
task="rest",
root="bids_dataset",
datatype="eeg"
)
write_raw_bids(raw, bids_path, overwrite=True)
关键参数解释：
- subject / task：后续统计分析直接按任务分组
- preload=True：后面 QC 与 ICA 都依赖内存操作
- overwrite=True：避免调试阶段重复报错
3️⃣ MATLAB 示例：EEGLAB → BIDS
EEG = pop_loadset('filename','sub01_raw.set');
pop_exportbids(EEG, 'bids_dataset', ...
'subject','01', ...
'task','rest');
三、Step 2：初始数据质量检查（QC-1）
这一步只做一件事：
判断：这份数据是否“值得”继续分析。
1️⃣ 必做的 3 项基础 QC
（1）原始时域波形
raw.plot(n_channels=32, duration=10)
你要看的不是“干不干净”，而是：
（2）功率谱密度（PSD）
raw.plot_psd(fmax=50)
关注点：
（3）坏导联初筛
raw.info['bads'] = []
raw.plot()
坏导不是“越多越好”，而是：
明确、可解释、数量克制。
四、Step 3：最小可用的预处理流程（核心）
下面这套流程，我非常建议新手从这里开始。
1️⃣ 基础滤波（不过度）
raw.filter(l_freq=0.1, h_freq=45)
参数解释：
滤波不是“越窄越好”，而是为分析服务。
2️⃣ 重参考（在坏导处理之后）
raw.set_eeg_reference('average')
重参考之前，请确保：
3️⃣ ICA（在数据条件允许时）
ica = mne.preprocessing.ICA(
n_components=0.99,
method='fastica',
random_state=42
)
ica.fit(raw)
参数解释：
n_components=0.99：按方差解释率，而非固定数量random_state：保证可复现ICA 不是必须步骤，而是“有条件的工具”。
4️⃣ ICA 成分识别（不盲删）
ica.plot_components()
ica.plot_properties(raw)
判断依据必须来自：
“这个看起来像噪声。”
五、Step 4：预处理后的质量检查（QC-2）
这一部分比预处理本身更重要。
1️⃣ 对比前后 PSD
raw_clean.plot_psd(fmax=50)
你要看到的是：
2️⃣ 对比时域形态
raw_clean.plot(n_channels=32, duration=10)
如果你觉得：
“怎么没之前那么好看了？” 那恭喜你，你可能做对了。
3️⃣ 检查结论稳定性
尝试轻微改动参数：
这套预处理是“够用且稳健的”。
六、总结：什么时候可以停下来？
如果你满足：
这份 EEG 预处理，已经可以进入分析阶段了。
七、留给你的问题（欢迎留言）
- 你更希望我下一篇写：ICA 成分判读实战，还是 QC 自动化脚本？
欢迎在评论区继续讨论。
