综述：自动化脑电信号处理：面向脑机接口应用的预处理技术与子频带提取综合研究

这篇综述系统探讨了脑电图（EEG）信号预处理技术及其在脑机接口（BCI）中的应用，重点分析了快速傅里叶变换（FFT）、短时傅里叶变换（STFT）、有限/无限脉冲响应滤波器（FIR/IIR）和小波变换（DWT/WPT）等子频带（δ/θ/α/β/γ）提取方法，并通过 drowsiness detection（ drowsiness detection）案例验证了技术实用性。

　　

引言

脑电图（EEG）作为记录大脑电活动的黄金标准，在癫痫、抑郁、脑损伤等神经疾病诊断和脑机交互领域具有不可替代的作用。然而，微伏级的EEG信号极易受到眼动伪迹（EOG）、肌电干扰（EMG）和环境噪声的影响，这促使研究者开发了包括傅里叶变换和小波分析在内的多种预处理技术。

文献回顾

国际10-20电极放置系统是EEG采集的基石，Ag-AgCl电极可捕获0.5-100 Hz的神经电活动。研究表明，δ波（0.5-4 Hz）与深度睡眠相关，θ波（4-8 Hz）关联记忆编码，α波（8-13 Hz）反映放松状态，β波（13-30 Hz）参与主动思考，而γ波（>30 Hz）则与高阶认知功能密切相关。

EEG子频带提取方法

傅里叶变换：FFT适用于平稳信号但丢失时间信息，STFT通过加窗实现时频分析却受制于海森堡不确定性原理。数字滤波器：FIR滤波器线性相位特性保证波形保真，IIR滤波器计算效率更高但可能引入相位畸变。小波变换：Db4小波在DWT中表现最优，其多分辨率分析特性可精准分离重叠频带，在 drowsiness detection实验中取得89.2%分类准确率。

技术对比

定量评估显示：DWT在θ波提取中信噪比（SNR）达28.7 dB，显著优于STFT（21.3 dB）；FIR滤波器在α波恢复中均方误差（MSE）最低（0.0042），但计算耗时是IIR的3倍。值得注意的是，WPT（小波包变换）虽能实现更精细的频带划分，却需要额外50%的计算资源。

应用验证

基于公开数据集SYNDREAM的 drowsiness detection实验表明，联合β/γ波能量特征与SVM分类器可获得92.4%的AUC值，证实子频带特征在BCI系统中的关键作用。

未来展望

下一代EEG处理或将融合深度学习与量子计算，但当前仍需解决肌电伪迹（EMG）消除和实时性等挑战。正如研究者所言："精准的频带分离是解码大脑密码的第一把钥匙"。