在进行EEG数据分析时，需要进行各种预处理来筛选、清洗得到较好的EEG数据，所有这些预处理步骤都需要就数据的预期影响做出明智的决定。
关于EEG方面的介绍可以查看：《什么是EEG以及如何解释EEG?》
EEG数据的清洗和伪影查看《EEG数据、伪影的查看与清洗》
在这篇文章中，主要介绍在EEG数据处理中的5个关键方面。
1)实验试运行
脑电图实验需要仔细准备。您需要准备参与者，花一些时间来设置设备并运行初始测试。想要EEG实验在测试中成功，因此在进行全面研究之前，可以先从小型实验开始，并进行一些试验，以检查设备和流程等准备是否正常。
刺激是否以正确的顺序呈现？
鼠标和键盘是否都准备好了吗？
参加者是否理解说明？
设备能收到信号吗？
将这些问题从清单中剔除后，便可以开始进行实际的数据收集和分析。
2)从最开始保证记录数据的正确
迄今为止，没有一种算法能够清除记录不佳的数据，也不可能以一种神奇地改变信号的方式来清理或处理数据。因此，想要得到好的脑电数据需要从正确记录的数据开始。
脑电图系统通常提供基于软或硬件的质量指示器，如阻抗面板，其中每个电极的阻抗都以图形方式可视化。
绿色和低阻抗值意味着高质量的记录(低阻抗表示所记录的信号反映了头部内部的过程，而不是来自周围环境的人为过程)。
3)做出明智的决定
脑电图数据可以以近乎无限的方式进行记录和分析，不仅处理步骤本身重要，其顺序也很重要。所有信号处理技术都会在一定程度上改变数据，了解它们对数据的影响有助于选择正确的处理技术。
通过确保所选择的方法能够返回所期望的结果，这样就能够最大限度地提高科学研究的标准，如客观性、可靠性和有效性。
4)减弱或剔除伪迹
脑电图数据包含相关和不相关的方面。对一个脑电图专家来说是信号，而对另一个专家来说可能是噪音(反之亦然)。
例如，一个人可能对事件相关电位感兴趣，这些电位在特定的视觉刺激开始时被锁定。如果参与者在那一刻眨眼，脑电图可能就无法反映在屏幕上看到刺激的皮层过程。
作为一个脑电图专家，你可能会倾向于将该试验排除在分析之外，因为脑电图数据不包含相关信息。然而，如果在整个实验过程中，当刺激开始时，系统地出现眨眼，这可能会是一个有趣的故事。也许参与者会避免看到潜在的威胁性图片。拒绝所有发生眨眼的试验基本上会导致数据的急剧减少(很有可能100个试验中只剩下10个)
因此，基于统计程序如回归或插值的衰减程序(如Gratton,Coles & Donchin, 1983)或独立成分分析的方法可能更合适。在这种情况下，使用周围数据通道或时间点将污染的数据部分替换为插值数据(在图中红线代表的是校正后的信号)。
将头皮脑电图与其他传感器(如眼动跟踪器、肌电图或心电电极)相结合，有助于通过其他方式收集生理过程(如眨眼、肢体或心脏的肌肉运动)，从而更容易识别它们对脑电图数据的干扰。
5)进行正确的统计
在设计和分析脑电图实验时，建议根据已知的材料来设计和分析。如果能够将结果与已经使用了可比统计方法的现有出版物联系起来，那么会更容易解释所观察到的效果。
如果想要研究事件相关电位(ERPs)，则可能需要仔细地研究某些电极位置上ERP波形峰值的潜伏期和振幅。相比之下，如果对基于频率的度量(如theta、alpha、beta频带功率)感兴趣，那么你更应该关注感兴趣频带内的峰值频率。
脑电图指标如“认知负荷”(高级脑监测B-Alert)或“挫折感”(Emotion EPOC)，都基于EEG数据的时域或频域特征，并且也可以考虑峰值幅度进行分析某个事件发生的时间或延迟。
分析技术包括简单的t检验和更复杂的ANOVAs(方差分析)以及非参数过程，如bootstrapping或randomization技术。当你想要以探索性的方式检查数据，而不指定预期的影响电极位置，潜伏期或振幅时，后者是特别有用的。
幸运的是，通过进行预处理，收集干净的数据以及在预处理和统计分析数据的过程中做出明智的决定，可以大大简化运行和分析EEG实验的复杂性。
参考：
https://imotions.com/blog/5-basics-eeg-data-processing/
