一、概述
脑电图（EEG）信号是大脑神经活动的电生理记录，在采集过程中易受非神经源性干扰，导致基线偏移或漂移。基线校正作为EEG数据预处理的核心步骤，其核心目的是通过设定稳定参考基准，消除直流偏移、缓慢趋势项（频率低于0.5Hz）及伪迹污染带来的基线不稳定问题，使信号能真实反映神经活动的动态变化，为后续ERP（事件相关电位）、时频分析、脑机接口（BCI）建模等高阶分析提供可靠数据基础。若基线校正不当，可能掩盖真实神经成分、产生虚假波形，严重影响分析结果的准确性。
二、核心原理
基线校正的本质是基于“静息状态脑电活动为基准”的假设，选取一段无刺激、无明显伪迹的信号区间作为基线期，通过数学变换将整个信号相对于该基线进行调整，使基线期信号趋于稳定基准（通常为零或固定均值），从而统一不同时段、不同通道的信号参考标准。基线期需满足“被试静息、无干扰”条件，其稳定性直接决定校正效果——若基线期存在眼动、肌电等伪迹，会导致整个信号失真，破坏成分间的相对关系。
三、常用校正方法
（一）均值校正法
均值校正法是最基础、应用最广泛的方法，操作简单且计算效率高，适用于大多数常规EEG分析场景。
1.核心操作：选取基线期（如刺激前-200~0ms），计算该区间内每个通道信号的平均值，再将整个信号段（含基线期和目标期）减去对应通道的基线均值，使基线期信号均值归零。
2.数学表达：基线校正的核心是计算基线时段内的信号均值，再用原始信号减去该均值，得到校正后信号。
设基线时段为[t₀, tₙ]，对应原始EEG信号序列为x(t₀), x(t₁), ..., x(tₙ)，则基线均值μ计算如下：
μ = (1/(n+1)) × Σ（从k=0到n）x(tₖ)
设原始EEG信号全时段序列为x(t)（t涵盖基线时段与实验时段），校正后信号x'(t)为：
x'(t) = x(t) - μ
说明：基线时段通常选取实验刺激前的稳定时段（如刺激前100ms-500ms），需确保该时段无明显脑电活动干扰，仅包含基线漂移成分。
3.适用场景：适用于基线漂移为平稳直流偏移或缓慢线性趋势的情况，尤其适合ERP分段分析，能有效统一各试验段的信号起点。
4.局限性：无法完全消除非线性基线漂移，若基线期存在未检测到的伪迹，会将伪迹引入整个信号段。
（二）线性趋势去除法
针对长时间记录中出现的线性缓慢漂移（如电极接触电位变化、环境温度影响），通过拟合基线期线性趋势并剔除，实现基线校正。
1.核心操作：对基线期信号拟合线性方程将整个信号段减去该线性趋势，使基线期信号趋于水平。
2.适用场景：长时间EEG记录（如睡眠监测、持续认知任务），可有效去除随时间线性变化的基线漂移。
3.注意事项：需先通过高通滤波（0.5Hz以上）初步抑制低频干扰，避免过度拟合导致神经信号失真。
（三）回归校正法
针对眼电（EOG）、心电（ECG）等明确伪迹源导致的基线波动，通过建立伪迹参考模型，预测并剔除信号中的伪迹成分，间接实现基线稳定。
1.核心操作：以EOG/ECG辅助通道信号为参考，建立伪迹与EEG信号的线性回归模型，分离伪迹成分并去除，剩余信号作为校正后结果。
2.适用场景：伪迹源明确且有对应参考通道的场景，如ERP实验中眼动伪迹干扰，适合大规模数据自动化处理和实时BCI系统。
3.优势：可与独立成分分析（ICA）结合使用，先通过回归法去除强伪迹，再用ICA处理剩余干扰，提升去噪效率。
（四）自适应基线校正法
针对非线性、时变基线漂移，采用滑动窗口、自回归模型等自适应算法，动态估计基线并实时校正，灵活性更强。
1. 核心操作：设置滑动窗口遍历信号，窗口内计算局部基线基准（均值或中位数），动态调整后续信号的参考水平，适应基线的动态变化。
2. 适用场景：基线漂移复杂（非线性、突变性）的场景，如新生儿EEG记录、运动状态下的脑电采集。
3. 局限性：算法复杂度高，需优化窗口参数避免过度校正，可能扭曲高频神经信号成分。
四、实操关键要点
（一）基线期选择
1.常规区间：ERP分析中常用刺激前-200~0ms，时频分析需扩大至刺激前1s~刺激后2s，确保满足算法数据长度需求。
2.选择原则：优先选取无刺激、被试静息的时段，通过可视化检查排除眼动、肌电、电极跳变等伪迹污染；避免过短基线（短于400ms易导致性能下降），必要时采用500~1000ms长基线。
3.特殊情况：若信号整体漂移严重，可分段设置基线期，但需保证各分段基线的一致性，避免跨段信号不连续。
（二）校正时机
1.分段后校正：常规流程为“数据分段→伪迹剔除→基线校正”，分段后校正可针对性处理各试验段信号，减少整体漂移对单段的影响，适合ERP叠加平均分析。
2.滤波后校正：高通滤波（0.5Hz以上）会使波形下移，需重新执行基线校正；若已进行0.5Hz以上高通滤波，基线校正的增益可能有限，甚至产生负面影响，需结合数据质量评估。
（三）软件操作示例
1.Analyzer软件：路径为“Transformations→Segment Analysis Functions→Baseline Correction”，根据分段类型设置基线区间（如S1_LL分段设-100~0ms，复杂分段设-50~50ms）。
2.MNE-Python代码示例：
python
import numpy as np
def baseline_correction(eeg_data, baseline_period):
\"\"\"
EEG信号均值基线校正
参数：
eeg_data (np.ndarray): 形状为(通道数, 采样点数)的EEG数据矩阵
baseline_period (tuple): 基线期索引范围(start_idx, end_idx)
返回：
corrected_data (np.ndarray): 校正后的数据
\"\"\"
start_idx, end_idx = baseline_period
# 逐通道计算基线均值
baseline_mean = np.mean(eeg_data[:, start_idx:end_idx], axis=1).reshape(-1, 1)
# 基线校正
corrected_data = eeg_data - baseline_mean
return corrected_data
3.EEGLAB软件：通过“pop_rmbase”函数实现，支持均值校正和线性趋势去除，可批量处理多通道数据。
五、注意事项与常见误区
1.避免过度校正：先进基线去除方法可能降低数据统计显著性，仅在高通滤波和坏通道插值后效果不佳时使用，无需叠加多种校正方法。
2.伪迹预处理优先级：基线校正前需先剔除基线期伪迹（如眼动、肌电），否则会将伪迹作为基线参考，导致整个信号失真；可结合EOG辅助通道提升伪迹识别精度。
3.高通滤波与基线校正的协同：0.5Hz以上高通滤波可有效抑制低频漂移，此时再进行基线校正可能无增益，甚至破坏信号特征；低通滤波（如0.01Hz）后需配合基线校正消除残留漂移。
4.数据质量验证：校正后需通过可视化检查（基线期趋于平稳、无明显漂移）和统计验证（如ERP成分峰值稳定性）评估效果，避免因校正引入新的信号畸变。
5.个体差异适配：婴儿、临床患者等特殊人群的EEG信号稳定性差，可优先采用标准差归一化或Z-score转换结合基线校正，提升方法稳健性。
六、总结
EEG信号基线校正的核心是通过合理设定基线期和选择适配方法，消除非神经源性干扰，统一信号参考基准。实际应用中需根据数据特点（漂移类型、伪迹情况）、分析场景（ERP、BCI、时频分析）选择方法，优先采用简单高效的均值校正法，复杂场景结合回归法或自适应算法。同时需严格控制操作流程，避免过度处理，确保校正后数据既能保留真实神经活动特征，又能满足后续分析的可靠性要求。
