企业官网建设流程全解析

Communications Biology｜EEG 预处理会显著改变解码性能，但高准确率可能来自伪迹

脑电解码研究通常把分类准确率作为流程性能的重要指标，但准确率升高并不必然表示模型提取到了更有效的神经信号。Kessler、Enge 和 Skeide 发表在 Communications Biology 的研究，系统比较了 2592 条 EEG 预处理路径，并在 EEGNet 与逐时间点逻辑回归两类框架中评价其影响。结果显示，预处理选择可以显著改变解码表现；部分能够提高准确率的流程也会增加时间扩散或基线期虚假解码，而眼动、肌肉和坏试次处理虽然普遍降低准确率，却可能减少模型对非神经线索的利用。

摘要

本研究使用公开 ERP CORE 数据集，纳入 40 名参与者的 7 类 ERP 实验，系统改变眼动伪迹校正、肌肉伪迹校正、低通滤波、高通滤波、参考方式、去趋势、基线校正和 autoreject 八类预处理步骤，共形成 2592 条独立路径。作者分别使用 EEGNet 对完整试次进行二分类，并使用逐时间点逻辑回归分析不同实验条件何时能够被区分。研究发现，伪迹校正总体上降低了两类模型的解码性能，较高的高通截止频率则通常提高性能；EEGNet 进一步受益于基线校正，逐时间点解码则更多受益于 6 Hz 低通和线性去趋势。作者强调，这些结果不能被解释为“伪迹不应清除”或“准确率最高的流程就是最佳流程”，因为模型可能利用与类别标签共变的眼动和肌电，也可能受到滤波造成的时间泄漏影响。选择预处理流程时，应同时考虑解码表现、信号来源、时间解释和研究目标。

背景

EEG 解码利用多个电极和时间点的联合信息区分刺激、反应或认知状态，已经广泛用于基础神经科学、临床转化研究和脑机接口。与传统 ERP 分析相比，解码能够利用更高维的信号结构，但也更容易吸收分布在全头皮和完整时间窗中的非神经信息。不同研究在滤波、参考、基线、ICA 和坏试次处理上的选择差异很大，同一研究问题因此可能对应多条合理却并不相同的分析路径。既往多宇宙研究主要考察预处理如何改变 ERP 振幅或显著通道数量，本研究则把结局指标换成解码性能，目的是判断常见预处理步骤会在多大程度上改变分类结果。

多宇宙方法并不是从研究者常用的流程中挑选少数几条进行比较，而是预先定义每个步骤的候选选项，再分析全部组合。本研究的低通候选为不使用、6 Hz、20 Hz 和 45 Hz，高通候选为不使用、0.1 Hz 和 0.5 Hz；参考方式包括全平均参考、Cz 和 P9/P10 平均参考；此外还比较了是否使用眼动 ICA、肌肉 ICA、线性去趋势、200 ms 或 400 ms 基线，以及 autoreject 的插值或试次拒绝模式。这种设计使作者能够估计各步骤的平均影响，也能够分析高通、去趋势和基线校正等步骤之间的交互作用。

方法

ERP CORE 包含 40 名参与者完成的 6 个实验范式，可得到 ERN、LRP、MMN、N170、N2pc、N400 和 P3 七类 ERP 分析，其中 ERN 与 LRP 来自同一个 Eriksen flanker 范式。EEG 由 30 个头皮电极记录，同时包含 3 个 EOG 通道；原始采样率为 1024 Hz，研究中降采样至 256 Hz。ERN 和 LRP 按反应时刻分段，其余实验按刺激时刻分段。为适应全头皮解码，LRP 试次按左手与右手反应分类，N2pc 试次按目标位于左侧或右侧分类。所有预处理均使用 MNE-Python 1.6.1 自动完成，不包含人工挑选成分或手动拒绝试次。

图 1 八类预处理步骤及其候选选项。不同选项的笛卡尔积形成 2592 条分叉路径；星号表示作者用于部分示例分析的参考路径。来源：Kessler 等，2025，原文图 1，CC BY 4.0。

EEGNet 使用完整试次的时空信息进行分类，每名参与者、每项实验和每条预处理路径分别进行分层五折交叉验证，以五折平均平衡测试准确率作为结果指标。逐时间点框架在每个时间点单独使用全部头皮电极训练逻辑回归分类器，采用分层十折交叉验证，并在 40 名参与者的组水平上执行单尾簇质量置换检验。置换共进行 1024 次，作者把全部显著时间簇的 T 值相加为 T-sum，作为主文中逐时间点解码性能的指标。随后，EEGNet 准确率采用线性混合模型分析，逐时间点 T-sum 采用线性模型分析，全部模型均纳入预处理主效应及两两交互。

结果

不同预处理路径显著改变两类模型的解码表现

七项实验的解码难度存在明显差异。EEGNet 中，ERN 最容易区分，中位平衡准确率约为 0.85；LRP 次之；MMN 最低，中位准确率约为 0.57。逐时间点解码得到的实验难度排序与 EEGNet 大体一致。作者还标记了一条几乎不进行预处理的路径，该路径不做伪迹校正、滤波、基线校正或去趋势，只保留模型自身的数据归一化。它在 EEGNet 中表现高于全部路径的平均水平，但在逐时间点逻辑回归中表现很差，说明不同模型对数据尺度、慢漂移和特征形态的适应能力不同，不能用一套流程概括所有解码框架的需求。

图 2 七项实验在 EEGNet 和逐时间点解码中的表现分布。A 为 EEGNet 的平衡测试准确率，B 为逐时间点解码的 T-sum；三角形表示几乎不进行预处理的路径。来源：Kessler 等，2025，原文图 3，CC BY 4.0。

伪迹校正普遍降低性能，但下降可能反映非神经线索被移除

眼动 ICA、肌肉 ICA 和 autoreject 等伪迹处理总体上降低了解码性能，这种下降在伪迹与类别标签天然共变的实验中尤其明显。N2pc 实验解码目标位于左侧还是右侧，参与者可能不自觉地向目标方向扫视，因此水平眼动本身携带目标位置信息；去除眼动成分后，模型失去了一类具有预测性的线索。LRP 实验解码左手还是右手按键，不同反应伴随不同的肌肉活动，因此肌肉伪迹同样可以帮助分类；去除肌肉成分后，LRP 的 EEGNet 准确率明显下降，并形成了与是否进行肌肉校正相关的双峰分布。

这一结果并不表示伪迹校正损害了数据质量。对于需要解释模型空间分布、时间进程或神经来源的基础研究，去除与实验条件共变的眼动和肌电仍然十分重要，否则模型可能主要依赖非神经信号完成分类。另一方面，阈值式 ICA 也可能在移除伪迹时同时删除部分神经信号，因此性能下降可能同时包含“非神经线索被去除”和“目标信号被误删”两种成分。作者据此提出，不能仅凭准确率判断伪迹校正是否合理，还需要检查被移除成分的来源以及模型最终使用的特征。

滤波、去趋势和基线校正的作用依赖解码框架

在本研究比较的候选参数内，0.5 Hz 高通在两类解码框架中通常获得更高性能。高通滤波可以减弱慢漂移，并使不同试次的信号处于更接近的尺度；当未进行基线校正时，这一作用尤其明显。对于逐时间点解码，6 Hz 低通和线性去趋势通常提高 T-sum。作者认为，较低低通可以排除 alpha 活动这一重要的试次间变异来源，线性去趋势则可以减少分段边缘的随机漂移。EEGNet 对低通选择没有表现出相同趋势，但基线校正通常带来更高准确率。参考方式的总体影响相对较弱，而且表现最佳的参考会随实验和模型改变。

图 3A 各预处理选项对 EEGNet 平衡准确率的影响。数值表示相对各实验边际均值的百分比偏差；绿色表示相对提高，红色表示相对降低。来源：Kessler 等，2025，原文图 5A，CC BY 4.0。

图 3B 各预处理选项对逐时间点解码 T-sum 的影响。图 3A 与图 3B 使用不同色标，不能直接比较颜色深浅或百分比幅度。来源：Kessler 等，2025，原文图 5B，CC BY 4.0。

提高解码性能的流程也可能制造基线伪解码

较窄的滤波频带虽然提高了部分模型的性能，却会限制对解码时间进程的解释。6 Hz 低通可能延长 ERP 及解码效应的时间范围；0.5 Hz 高通则可能在真实 ERP 前后产生极性相反的滤波伪迹。本研究采用零相位非因果 FIR 滤波，刺激后的信号可以向前影响更早的时间点，因此部分高性能路径在刺激前基线期已经出现显著解码。作者发现，线性去趋势、6 Hz 低通、不做基线校正，以及部分情况下的 0.5 Hz 高通，会增加基线伪解码的概率；伪迹处理则通常降低这一概率。

预处理步骤之间还存在明显交互。高通、去趋势和基线校正都能够在一定程度上调整试次的整体尺度，线性去趋势会降低高通截止频率选择的重要性；如果三者同时缺失，逐时间点解码通常表现最差。当 autoreject 采用 reject 模式时，缺少上述处理还可能使更多高电压试次被丢弃，从而减少模型训练数据。这些结果说明，单独评价某个步骤的平均主效应并不充分，同一选项在不同前后组合中的结果可能不同。

被试差异大于预处理路径差异

EEGNet 准确率在参与者之间存在较大差异，其幅度明显大于同一参与者不同预处理路径之间的差异。年龄、性别和利手均未能稳定解释个体解码表现；不同实验之间也只有 LRP 与 N170 的参与者特异表现呈显著相关，r = 0.52，FDR 校正后 p = 0.011。该结果提示，在讨论预处理选择时，还需要考虑参与者状态、任务执行和个体信号质量等更大的变异来源，不能把全部性能差异都归因于参数设置。

讨论

本研究的核心结果不是给出一套统一的最佳预处理流程，而是说明“最大化解码性能”与“提高神经解释有效性”并非同一个目标。未清理的眼动和肌电可以与类别标签稳定共变，从而提高分类准确率；较窄的滤波频带和较高高通可以降低无关变异，却也可能造成时间扩散和基线伪解码。对于基础研究，如果需要解释模型在何时、何处利用了哪些神经信息，就必须同时报告基线期解码、伪迹残留和模型特征来源。对于部分只关心控制性能的 BCI 应用，稳定的非神经信息或许具有工程价值，但研究者应明确系统利用的信号来源，而不能把它表述为神经解码能力。

作者也讨论了交叉验证之前共同预处理可能产生的潜在数据泄漏。ICA、高通滤波和 autoreject 都在训练试次与测试试次划分前使用完整数据估计，因此测试数据可能轻微参与预处理参数的形成。作者在部分路径中重新实现了训练与测试的严格隔离，没有发现潜在泄漏明显抬高本研究的准确率，但这一补充分析只覆盖部分步骤和路径。在更一般的 EEG 解码研究中，如果研究目标是选择最优流程或报告最终模型性能，更稳妥的做法仍是把数据驱动的预处理估计限制在训练数据内，并使用独立测试数据评价最终流程。

这些结果的适用范围也需要限制。本研究只使用 ERP CORE 一个数据集、40 名参与者、30 个头皮电极和七类经典 ERP 分析，并只比较 EEGNet 与逐时间点逻辑回归。预处理实现主要来自 MNE，步骤顺序基本固定，模型也大多采用默认超参数。因此，0.5 Hz 高通或 6 Hz 低通只能被理解为本研究候选范围内、特定任务和特定指标对应的结果，不能直接外推到静息态、频域解码、跨被试模型或 RSVP 多类别任务。尤其对于静息态 alpha 功率研究，6 Hz 低通会直接移除目标频段，不能因为它在本研究逐时间点 ERP 解码中提高 T-sum 就照搬使用。

结论

系统比较 2592 条预处理路径后，作者发现 EEG 预处理能够显著改变解码性能，但性能变化并不能单独判断流程是否更合理。伪迹校正通常降低准确率，却可能减少模型对眼动和肌电等非神经线索的依赖；较高高通、较低低通、线性去趋势和基线校正可以在特定框架中提高表现，也可能增加时间解释偏差或基线伪解码。选择预处理流程时，应根据研究目标同时评价分类性能、伪迹残留、信号损失、基线期结果和特征可解释性，而不是把准确率最高的路径直接定义为最佳流程。

参考文献

Kessler R, Enge A, Skeide MA. How EEG preprocessing shapes decoding performance. Communications Biology. 2025;8:1039. https://doi.org/10.1038/s42003-025-08464-3

原始数据：https://osf.io/thsqg/
分析结果：https://zenodo.org/records/14223514
分析代码：https://github.com/kesslerr/m4d
在线面板：https://multiverse.streamlit.app