EEGLab V10.0.0.0b旧版配置与脑电预处理实战

简介：EEGLab V10.0.0.0b 压缩包面向脑电（EEG）分析领域的科研人员、研究生与工程技术人员，用于满足从原始信号处理到结果解释的完整分析需求。软件内置信号质量检查、滤波、眼动校正与平均参考等预处理环节，可提升数据可靠性，并支持事件相关电位（ERP）分析、频率分析与源定位，帮助识别特定认知任务下的大脑反应模式；结合支持向量机、随机森林等机器学习方法乃至深度学习模型，还能完成EEG数据自动分类、脑机接口设计与疾病辅助诊断，并与神经影像学、生理学等方向形成交叉。压缩包以rar格式分发，体积约182.31MB，按说明包含主程序、安装指南、示例数据集、用户手册与脚本示例等，便于按文档搭建环境、复现分析流程，也方便在此基础上改写自定义脚本。目前已有197人学习下载，适合初学者快速上手，也为经验丰富的研究者提供定制化分析与排错参考。

1. 从一份旧版 EEGLab 压缩包说起：它到底能替你做哪几步脑电分析

EEGLab V10.0.0.0b.rar 不是一个双击就能用的脑电分析软件，而是一套跑在 MATLAB 里的工具箱压缩包。它把脑电分析里最耗时的导入、滤波、重参考、ICA、分段和频谱计算串成可脚本化的流程，也让脑电分析接入机器学习和人工智能项目时少掉很多手工搬运。交叉性学科团队最怕环境不统一，这份旧版包的好处是函数名和数据结构相对固定，坏处是插件生态和兼容性要自己兜底。适合已经拿到 MATLAB 许可、手里有 .set/.edf 数据、想把脑电特征送进分类模型的人；只想点按钮看波形的新手，先补 MATLAB 路径和数据结构这一课更稳。

2. 解压与 MATLAB 路径配置：把 V10.0.0.0b 跑起来的最小闭环

拿到 rar 先别急着双击eeglab.m。旧版工具箱最怕路径层级和函数遮蔽，目录里多一层父文件夹、路径里有空格或中文、MATLAB 当前目录里躺着一个同名函数，都会让启动看起来成功、后面导入数据时却报一堆看不懂的错。先说结论：解压到纯英文无空格目录，只加必要子目录，启动后做一次函数自检。这样后面导入数据报错时，能快速判断是数据问题还是环境问题。

2.1 先确认运行环境：MATLAB 版本、工具箱与解压目录

旧版 EEGLab 的图形界面和部分函数依赖 MATLAB 的旧行为，太新的 MATLAB 可能把某些图形属性废弃，太旧的 MATLAB 又可能缺少统计和信号处理函数。我一般选比工具箱发布年代晚三到五年的 MATLAB 版本，不追最新，先在命令行跑一遍ver，确认 Signal Processing Toolbox 和 Statistics and Machine Learning Toolbox 在不在。前者影响eegfilt、filtfilt这类滤波函数，后者影响后续聚类、交叉验证和部分统计脚本。没有信号处理工具箱也能跑一部分流程，但滤波和频谱会先卡住。

解压目录建议统一成D:\eeglab_v10_runtime这种形式，不要放在桌面或中文用户名目录下。rar 解压后经常多一层同名文件夹，真正的eeglab.m可能在里面一层。先在终端确认入口文件位置，再决定 MATLAB 的rootDir指向哪里：

mkdir -p /opt/eeglab_v10_runtime unrar x EEGLab_V10.0.0.0b.rar /opt/eeglab_v10_runtime/ find /opt/eeglab_v10_runtime -maxdepth 3 -name "eeglab.m"

这段命令做三件事：建一个干净运行目录、解压、定位eeglab.m。unrar换成你手头能用的解压工具即可，关键是解压后的层级要看清。find的-maxdepth 3是防止在示例数据里翻太久。如果输出是/opt/eeglab_v10_runtime/eeglab/eeglab.m，那rootDir就是/opt/eeglab_v10_runtime/eeglab，不是/opt/eeglab_v10_runtime。这个细节看起来小，后面addpath全错就是从这里开始的。

目录里通常有几类东西，别一股脑全加进搜索路径：

表里最容易被忽略的是最后一行。示例脚本里常有同名函数或旧版演示代码，整目录加进去后which出来的函数可能不是你以为的那个。路径配置不是越多越好，旧版工具箱尤其如此。

2.2 配置搜索路径：为什么不要无脑 genpath 整个根目录

MATLAB 里最常见的新手写法是addpath(genpath(rootDir))，一行把整个工具箱加进来。这样能跑，但会把示例、旧函数、测试脚本全部暴露给搜索路径，后面出现“函数行为不对”时很难排查。我一般先加根目录、functions和plugins，示例数据只在需要时单独加。下面这段可以直接抄，改rootDir即可：

rootDir = 'D:\eeglab_v10_runtime\eeglab'; assert(exist(rootDir, 'dir') == 7, '根目录不存在，检查解压层级'); addpath(rootDir); addpath(genpath(fullfile(rootDir, 'functions'))); addpath(genpath(fullfile(rootDir, 'plugins'))); % 可选：示例数据目录，确认不需要时不要加 if exist(fullfile(rootDir, 'sample_data'), 'dir') addpath(fullfile(rootDir, 'sample_data')); end which eeglab -all which pop_loadset -all which eegfilt -all

assert先拦住路径写错的情况，避免后面报一个不相关的错。addpath(rootDir)让eeglab.m可见，functions和plugins用genpath是因为它们内部还有子目录。which ... -all是自检重点：如果pop_loadset出现两条以上路径，说明你之前装过别的 EEGLab 或当前目录有同名文件，必须用rmpath移除旧路径，或者把当前目录切走。savepath不是必须的，团队机器上更不建议随手保存，除非你确认这套路径长期不变。

如果which eeglab返回空，先不要怀疑压缩包损坏，按顺序查三件事：rootDir是否指向eeglab.m所在目录、路径里是否有中文或空格、MATLAB 当前目录是否在解压目录的父级。旧版 MATLAB 对中文路径的兼容性不稳定，pop_loadset读文件时可能表面能找到文件，实际fopen失败。下面这行可以做一次粗筛：

badPath = regexp(rootDir, '[^\x00-\x7F]', 'once'); assert(isempty(badPath), '路径含非ASCII字符，建议移到纯英文目录');

regexp找非 ASCII 字符，assert直接拦截。这个检查不是洁癖，是旧版工具箱里文件读写和图形回调都可能踩的坑。路径干净后，很多“玄学报错”会自己消失。

2.3 启动与最小自检：不依赖数据也能验证滤波链

路径配好后，命令行输入eeglab应该能打开图形界面。界面打开不代表整条链可用，还要验证核心函数和数据结构。下面这段不依赖任何外部数据，自己造一个 4 通道、10 秒、250 Hz 的 EEG 结构，走一遍eeg_checkset和eegfilt：

EEG = []; EEG.data = randn(4, 2500); % 4通道，10秒，250Hz EEG.srate = 250; EEG.nbchan = 4; EEG.pnts = 2500; EEG.trials = 1; EEG.xmin = 0; EEG.xmax = (EEG.pnts - 1) / EEG.srate; EEG.times = (0:EEG.pnts - 1) / EEG.srate; EEG = eeg_checkset(EEG); filtData = eegfilt(EEG.data, EEG.srate, 1, 40); fprintf('滤波前后尺寸: %s -> %s\n', mat2str(size(EEG.data)), mat2str(size(filtData))); assert(ndims(filtData) == 2 && size(filtData, 1) == EEG.nbchan, '滤波输出维度异常');

EEG.data这里是通道×时间，eegfilt直接吃二维矩阵；如果你的真实数据是通道×时间×trial 的三维结构，先别直接丢给eegfilt，用pop_eegfilt或逐 trial 循环。eeg_checkset会补齐一些字段并检查一致性，旧版里这个函数很关键，别跳过。滤波参数 1 Hz 高通、40 Hz 低通只是自检，不是最终分析参数。若报缺少filtfilt，回去查 Signal Processing Toolbox；若报eegfilt未定义，查which eegfilt -all和functions路径。

再做一个启动后的结构检查，确认 GUI 能正常创建空数据集：

try eeglab; fprintf('EEGLAB GUI 启动成功\n'); catch ME fprintf('启动失败: %s\n', ME.message); end

这段用try/catch把错误信息打出来，避免只看到红字却不知道是路径还是图形问题。到这里，最小闭环就算跑通了：解压目录干净、路径没有重复函数、eeg_checkset和eegfilt可用。后面导入真实数据时再出问题，排查范围会小很多。

3. 从原始 EEG 到可分析数据：导入、滤波、重参考与坏道处理的完整链条

真实脑电数据进 EEGLab 后，第一步不是马上跑 ICA，而是把元数据、滤波、坏道和参考弄清楚。很多机器学习项目最后模型效果差，不是分类器不行，而是前面把慢漂移、工频和坏道一起喂进了特征矩阵。这一章按“导入→检查→滤波→坏道→插值→重参考”的顺序走，每一步都给可执行代码和参数边界。

3.1 导入与元数据检查：采样率、通道定位、事件表

.set和.fdt是 EEGLab 的常见组合，.set存头信息和事件，.fdt存数据。加载时两个文件要在同一目录，pop_loadset会自己找.fdt。EDF/BDF 走pop_biosig，旧版对 BDF 的支持取决于插件和 MATLAB 版本，导入后一定用eeg_checkset过一遍。下面这段按扩展名分流：

[setFile, setPath] = uigetfile({'*.set','EEGLAB set'; '*.edf','EDF'; '*.bdf','BDF'}, '选择EEG数据'); if isequal(setFile, 0) error('未选择文件'); end [~, ~, ext] = fileparts(setFile); switch lower(ext) case '.set' EEG = pop_loadset('filename', setFile, 'filepath', setPath); case {'.edf', '.bdf'} EEG = pop_biosig(fullfile(setPath, setFile)); otherwise error('暂不支持该格式'); end EEG = eeg_checkset(EEG); fprintf('srate=%d Hz, channels=%d, frames=%d, trials=%d\n', ... EEG.srate, EEG.nbchan, EEG.pnts, EEG.trials); fprintf('事件数=%d\n', numel(EEG.event)); disp(unique({EEG.event.type}));

uigetfile返回文件名和路径，switch按扩展名走不同导入函数。pop_loadset的filename只给文件名，filepath给目录；pop_biosig直接吃完整路径。eeg_checkset之后打印采样率、通道数、帧数和 trial 数，这四个数字是后面所有参数的基准。事件表用unique看标签，事件标签里可能有空格、大小写或前后不一致，后面分段时对不上就会 trial 数骤减。

导入后还要查通道定位。没有chanlocs或通道数不一致，ICA 地形图、坏道插值、重参考都会出问题：

if isempty(EEG.chanlocs) || numel(EEG.chanlocs) ~= EEG.nbchan warning('通道定位缺失或数量不一致，先补chanlocs再做ICA和地形图'); end if isfield(EEG, 'chanlocs') && ~isempty(EEG.chanlocs) disp({EEG.chanlocs.labels}); end

isempty和numel双重检查，是因为有些数据有chanlocs但数量对不上。disp标签是为了确认通道顺序，后面重参考选乳突或平均参考时，你得知道哪个通道是哪个。元数据检查表可以按下面几项过：

这张表不是走形式，尤其是事件标签。旧数据里常见S 1和S 1混用，肉眼看着差不多，pop_epoch就是匹配不上。

3.2 滤波与重参考：高通、低通、陷波和平均参考的顺序

滤波参数没有一套放之四海皆准的值，但脑电分析里常用的起点是：高通 0.5 Hz 去慢漂移，低通 40 Hz 压高频噪声，48–52 Hz 带阻压工频。ERP 研究里高通有时降到 0.1 Hz，机器学习里为了稳定特征常用 0.5–1 Hz。低通 40 Hz 对分类够用，但如果你要看 gamma 频段，低通不能这么设。下面这段用pop_eegfilt，参数顺序要看清：

if any(~isfinite(EEG.data(:))) error('数据含NaN/Inf，先清洗再滤波'); end EEG = pop_eegfilt(EEG, 0.5, 0, [], 0, 0, 0, 0); % 高通0.5Hz EEG = pop_eegfilt(EEG, 0, 40, [], 0, 0, 0, 0); % 低通40Hz EEG = pop_eegfilt(EEG, 48, 52, [], 1, 0, 0, 0); % 48-52Hz带阻 EEG = eeg_checkset(EEG);

pop_eegfilt的前两个参数是locutoff和hicutoff，第三个参数是阶数，[]表示用默认值；revfilt=1表示反向滤波，也就是带阻。高通只给locutoff，低通只给hicutoff，带阻两个都给。~isfinite检查 NaN 和 Inf，先拦住再滤波，不然滤波器会把异常值扩散到整段数据。工频 50 Hz 是常见设置，带阻 48–52 Hz 是保守宽度；如果设备工频是 60 Hz，改成 58–62 Hz。滤波后不要只看图，打印一下幅值范围：

fprintf('滤波后范围: %.3f ~ %.3f\n', min(EEG.data(:)), max(EEG.data(:)));

幅值突然变成几百微伏或出现平直线，通常是滤波参数顺序错了或数据单位不对。重参考放在坏道插值之后，平均参考前先保证坏道已经被处理，否则坏道会污染平均参考。下面两种写法按实际实验选：

% 平均参考 EEG = pop_reref(EEG, []); % 乳突参考示例：通道索引按你的chanlocs改 % EEG = pop_reref(EEG, [1 2]);

pop_reref(EEG, [])是平均参考，pop_reref(EEG, [1 2])是选两个通道做参考。索引不是固定的，先看chanlocs标签，别把眼电通道当乳突。ICA 对参考敏感，先定参考再跑 ICA，后面不要反复改参考再解释成分。

3.3 坏道检测与插值：不要用全通道方差一刀切

坏道检测最容易被写成“方差大于阈值就删”，这在真实数据里很危险：眼电、肌电、运动伪迹都会让方差变大，但它们不是坏道。更稳的做法是结合方差、概率、频谱和地形图。下面这段用通道方差 z 分数做粗筛，只作为候选，不直接删除：

chanVar = var(EEG.data, 0, 2); % 每个通道的方差 zVar = zscore(chanVar); badChans = find(abs(zVar) > 3.5); if isempty(badChans) fprintf('未发现明显坏道\n'); else fprintf('候选坏道: %s\n', strjoin({EEG.chanlocs(badChans).labels}, ', ')); end

var(..., 0, 2)沿时间维度求方差，zscore标准化，abs(zVar) > 3.5是粗筛阈值。这个阈值不是金标准，只是把明显离群的通道拎出来。真正决定插值前，至少看一眼原始波形、频谱和地形图。确认后插值：

if ~isempty(badChans) EEG = pop_interp(EEG, badChans, 'spherical'); EEG = eeg_checkset(EEG); end

pop_interp的第三个参数'spherical'用球面样条插值，依赖通道定位。badChans是通道索引，不是标签。插值后坏道的数据是估计出来的，后面做 ICA 时这部分通道的贡献要谨慎解释。坏道处理顺序建议是：滤波→粗筛候选→人工确认→插值→重参考。不要先重参考再插值，也不要把坏道留在平均参考里。

这张表的关键是最后一行：眼电和肌电不是坏道，别把生理伪迹当坏道插掉。坏道是电极没接触好或信号丢失，生理伪迹有明确的地形和时域模式。把这两类混在一起，后面 ICA 会背锅。

4. ICA 去伪迹：成分挑选、拒绝策略与不要过度清理的边界

ICA 是 EEGLab 里最吸引人、也最容易用过头的一步。它能拆出眼电、肌电、心电和部分伪迹，但前提是数据质量、通道数、采样率和参考方式都合适。把 ICA 当成“一键干净数据”是血泪经验的开始：成分挑多了，脑电信号被削掉；挑少了，伪迹还在。这一章讲 ICA 前的条件、runica参数和成分拒绝的边界。

4.1 ICA 前的数据条件：采样率、分段、重参考和通道数

ICA 假设源信号瞬时线性混合、统计独立、时间上相对平稳。连续数据比短分段更适合 ICA，因为样本点更多，成分估计更稳。采样率不需要保持 1000 Hz，降到 250 Hz 通常够用，还能显著减少计算量。通道数太少（比如 4 通道）时 ICA 能拆出的成分有限，不要指望它分离眼电和脑电。重参考要先定好，坏道要先插值，高通至少 0.5–1 Hz，减少慢漂移对成分的污染。下面这段做 ICA 前整理：

EEG = pop_resample(EEG, 250); % 降采样，减少ICA计算量 EEG = pop_eegfilt(EEG <p> <a href="https://download.csdn.net/download/qq_43368987/15378620" style="color:#ec7500;font-size:14px;"> 本文还有配套的精品资源，点击获取 </a> <img alt="menu-r.4af5f7ec.gif" src="https://csdnimg.cn/release/wenkucmsfe/public/img/menu-r.4af5f7ec.gif" style="width:16px;margin-left:4px;vertical-align:text-bottom;cursor:text;"> </p>