1. 原始EEG数据预处理实战指南
当你第一次拿到原始EEG数据时，就像收到了一盒未经整理的乐高积木。我处理过上百组脑电数据，发现90%的分析问题都源于预处理阶段。让我们用EEGLAB一步步搭建ERP分析的基础框架。
首先确保你的.mat或.set文件已正确导入EEGLAB。我习惯用这个命令快速检查数据质量：
eeglab EEG = pop_loadset('filename.set'); eegplot(EEG.data,'srate',EEG.srate);如果看到明显的50Hz工频干扰（国内常见）或肌肉运动伪迹，建议先做带通滤波（0.1-30Hz）。有个实用技巧：在Filter settings里把"Notch filter"设为50Hz，能有效消除电源干扰而不影响有用信号。
数据导入后要特别注意事件标记（event markers）。曾经有个合作项目因为标记编码错误导致整个分析返工。用这个命令查看事件类型：
unique({EEG.event.type})建议立即将原始标记备份到工作区变量，我吃过没备份的亏。
2. 事件标记分类与Bin定义技巧
Bin分类就像给超市商品贴标签，分类越精准，后续分析越轻松。根据我的踩坑经验，建议遵循这些原则：
- Bin命名规范：采用"任务类型_刺激类型_反应类型"三级结构，比如"GoNoGo_Go_Correct"
- 多条件嵌套：用逻辑运算符组合条件，例如
Bin1 = (stim_type==1) & (response==1) - 容错处理：添加
| isnan(response)避免遗漏未反应试次
这是我常用的Bin模板文件示例：
Bin 1 Go trials with correct response .{'stim_type==1 & response==1'} Bin 2 NoGo trials with correct withholding .{'stim_type==2 & response==0'}特别注意：EEGLAB对大小写敏感，Bin首字母必须大写，条件表达式要用英文单引号包裹。
3. 分段与基线校准的黄金标准
分段时最容易犯的三个错误：
- 基线期选取不当（建议-200~0ms）
- 分析时窗过长导致频域失真
- 忽略重叠epoch的影响
推荐这样设置分段参数：
EEG = pop_epoch(EEG, {'Bin1'}, [-0.2 0.8], 'newname', 'Binned_Data');有个实用技巧：先用pop_selectevent检查各Bin的试次数，确保每类至少有30个试次。我曾有个P300实验因为某些Bin只有15个试次导致结果不可靠。
基线校准建议采用z-score标准化而非简单减法：
EEG = pop_rmbase(EEG, [-200 0], 'zscore');这能有效减少个体间差异对波幅的影响。
4. 伪迹去除的进阶策略
传统ICA去伪迹有个致命弱点：无法处理时变伪迹。经过多次实验，我总结出这套组合拳：
- 自动检测：先用
pop_autorej剔除极端值
[EEG, rej] = pop_autorej(EEG, 'threshold', 1000, 'startprob', 5);- ICA分解：建议用Adaptive Mixture ICA算法
EEG = pop_runica(EEG, 'icatype', 'amica');- 半自动标注：用ICLabel插件时，不要完全相信自动分类结果。我总会手动检查：
pop_viewprops(EEG, 0, 1:size(EEG.icaweights,1));特别注意：眼电伪迹（EOG）建议保留1-2个成分不剔除，它们可能包含有价值的认知活动信息。
5. ERP计算与可视化精要
平均ERP时常见误区是直接使用算术平均。对于反应时差异大的任务，建议采用时间锁定平均：
ERP = pop_averager(EEG, 'Stdev', 'on', 'Warning', 'on');绘制波形时，这个组合参数能让图形更专业：
pop_topoplot(ERP, 1, [100 200 300], 'ERP Components', 0, 'electrodes', 'on');分享我的独家技巧：用pop_erpimage绘制单试次热图，能直观发现潜伏期变异：
pop_erpimage(EEG, 1, [24], [], 'Pz', 10, 1, {}, [], 'latency' ,'yerplabel', '\muV');6. 自定义分析的灵活方案
针对前额叶研究，可以这样创建虚拟通道组：
frontal_chans = {'Fp1','Fp2','AF3','AF4','Fz'}; ERP = pop_chanevent(ERP, 'addchan', 'Frontal', frontal_chans);组合多个Bin时，这个公式很实用：
Bin5 = (Bin1 + Bin2) / 2 Frontal activation in decision making .{}最近帮客户解决的一个典型案例：通过自定义Fz和FCz通道的差异波，成功分离出冲突监测相关的N2成分。关键代码：
ERP = pop_binoperator(ERP, {'b6 = b3-b4', 'b7 = (b1+b2)/2'});7. 结果解读与报告要点
ERP成分测量要避开这些坑：
- N170/N400等成分要严格按电极位置选择时间窗
- 波幅测量建议用平均波幅而非峰值
- 潜伏期测量要用50%面积法
这是我常用的统计报告模板：
pop_exportstats(ERP, 'filename', 'ERP_stats.csv', ... 'timewindow', [150 250], 'channels', {'Cz','Pz'});最后提醒：原始数据、处理脚本和中间结果一定要按BIDS标准整理。去年审稿人要求我们提供原始ICA权重时，幸亏有完整归档。建议使用这个目录结构：
/project /rawdata /derivatives /preprocessed /ICA_components /code /reports
