企业官网建设流程全解析

TMS-EEG这个方向这几年真的是越来越火，但很多刚入门的同学一上来就被预处理劝退了。原因很简单，TMS-EEG数据里混着的东西太杂了，除了我们熟悉的眼电、肌电、漂移，还有一个别人家数据里没有的“亲儿子”——就是刺激线圈在你头皮上留下的那个巨大脉冲伪迹。这个伪迹幅度能到几毫伏甚至更高，直接把EEG放大器打到饱和，你要是不管它，后面所有分析都是白搭。我自己第一次拿到TMS-EEG数据的时候，也是对着eeglab界面发懵，感觉普通EEG那套滤波、ICA、重参考的流程根本没法硬套。后来接触到了eeglab里的TESA工具箱（TMS-EEG Signal Analyzer），才算是把这条处理链路给理顺了。这篇就结合我自己跑数据时踩过的坑、试出来的经验，给同样卡在TMS-EEG预处理上的朋友详细拆一遍TESA的流程和用法。不管你是刚开始接触TMS-EEG的新手，还是已经处理过一批数据但总觉得哪里不对的老手，这篇应该都能帮你把思路理清楚。

1. TMS-EEG数据预处理，为什么不能直接套用常规eeglab流程

很多人拿到TMS-EEG数据，第一反应都是“这不就是EEG数据嘛，按老办法处理不就行了”。实际上远没有这么简单。TMS-EEG记录到的信号，除了我们想看的TMS诱发电位（TEP），还包含了好几种TMS特有的伪迹，这些伪迹在时域上和TEP高度重叠，如果不专门处理，你会得到一锅粥一样的平均波形。

1.1 TMS-EEG数据里到底混了哪些“妖魔鬼怪”

我习惯把这些伪迹按出现的时间顺序排个队，方便理解它们各自干扰的是哪一段信号。

首先是最显眼的TMS脉冲伪迹。刺激线圈放电的瞬间，会在头皮电极上感应出巨大的电压，这个电压可以高达数十毫伏甚至更多。由于幅度太大，放大器通常会被瞬时“打爆”，表现为一个从刺激点开始、持续数毫秒的高幅值振荡或平顶饱和信号。它在数据里看起来就是一个非常刺眼的“大钉子”，覆盖了刺激后大约0到10毫秒（有些系统甚至更久）的脑电信号，而这段恰恰包含了我们要关注的早期TEP成分（比如N15、P30）。也就是说，你根本没法直接看这段真实脑电，得想办法把“钉子”拔掉。

紧接着是肌肉伪迹。TMS刺激头皮时，会直接激活头皮和面部肌肉，引起的不自主肌肉收缩会产生巨大的肌电信号，幅度可以高达数百微伏。这个肌电伪迹在时间上从刺激后大约5毫秒开始，可持续到30到50毫秒以后，尤其在刺激额叶、颞叶或者某些靠近肌肉的脑区时特别明显。肌电的频率范围和部分早期TEP成分高度重叠，很容易把真实皮层反应完全掩盖掉，这是TMS-EEG预处理里最让人头疼的问题之一，没有专门的方法很难处理干净。

然后是听觉和触觉诱发电位。TMS线圈放电时会发出一个很响的“咔哒”声，这个声音会通过空气传导和骨传导两条路径刺激听觉系统，在刺激后大约50到100毫秒产生一个明显的听觉诱发电位。同时线圈在头皮上的机械振动也会带来触觉/体感诱发电位，它和听觉成分混在一起，共同污染了中晚期TEP。这就解释了为什么很多人做的TEP在刺激后100毫秒附近莫名其妙冒出一个巨大波形，那可能不是皮层对TMS的真实反应，而是听觉诱发出来的“假信号”。

最后还有常规EEG里也会有的那些老朋友：眨眼伪迹、眼动伪迹、电极漂移、工频干扰等。这些在TMS-EEG里同样存在，但由于TMS特殊伪迹幅度太大，如果不提前处理掉，后面很多常规方法（比如ICA）都会失效，所以处理的顺序就显得格外重要。

1.2 常规预处理流程在TMS-EEG上会翻车的三个原因

第一个原因和滤波有关。常规EEG预处理通常一开始就要滤波，但在TMS-EEG里，刺激瞬间那个巨大的脉冲伪迹如果不先处理，直接滤波会把“大钉子”的能量扩散到很长一段数据里，相当于把一个短促的伪迹“涂抹”成了长尾的伪迹，这会污染到刺激后几十甚至上百毫秒的整个TEP窗口。

第二个原因是ICA在TMS-EEG上不灵。普通EEG里我们用ICA来去除眨眼和心电伪迹，效果很好，但在TMS-EEG数据里，TMS脉冲伪迹和肌肉伪迹的幅度远超真实脑电信号，而且它们在时间上高度非平稳，ICA分解后这类伪迹会散布在多个分量里，很难干净地识别和剔除。如果你不先把大的TMS脉冲伪迹和肌肉伪迹处理掉就直接跑ICA，出来的结果基本没法用。

第三个原因就是常规的坏段剔除标准并不适用。在普通EEG里，幅度超过100微伏的段可能就会被判为伪迹，但在TMS-EEG数据里，TMS脉冲伪迹和肌肉伪迹的幅度动辄几百微伏甚至更高，如果按普通EEG的阈值去剔除，你会把所有含有早期TEP成分的trail全部扔掉，最后啥也不剩。

正因为这些特殊性，TMS-EEG预处理必须一套自成体系的流程，而且这套流程一定要分阶段、按顺序进行。TESA这个工具箱就是专门为这套流程设计的。

2. eeglab里的TESA插件，专门为TMS-EEG而生

其实eeglab本身功能很强大，但它毕竟是为普通EEG设计的，很多针对TMS-EEG的特殊处理（比如移除刺激伪迹、剔除肌肉伪迹的特殊方法）都不直接提供。TESA就是一个寄生在eeglab下的开源工具箱，你可以把它理解成是给eeglab装上的“TMS-EEG专用模块”，它把TMS-EEG预处理好几个关键步骤都做成了封装好的函数和图形界面，用起来方便很多。

2.1 怎么安装TESA：从下载到能用就这几步

安装TESA我没记错的话有两条路可选，一条是自动安装，一条是手动安装。

自动安装的路径是：打开eeglab界面，在菜单栏找到“File” -> “Manage EEGLAB extensions”，在弹出的插件管理窗口里搜索“TESA”，找到之后点“Install”就行了。这个方法最省事，但有一个前提，你的Matlab网络要能连上插件服务器，有时候公司或学校网络限制多，下载容易失败，我就遇到过好几次。

手动安装其实更稳。你先去GitHub上搜“TESA”找到官方仓库（我记得是“nigelrogasch/TESA”），点“Code” -> “Download ZIP”，把整个包下载下来。然后解压，把文件夹名字改成“TESA”（去掉版本号那些后缀），整个文件夹复制到eeglab的“plugins”目录下。最后打开eeglab，在命令行里运行一句：

eeglab redraw

如果一切正常，你会看到eeglab主窗口的菜单栏多出一排“TMS-EEG”相关的菜单项，或者至少在命令行里输入“which pop_tesa_removespikes”能返回正确路径，那就说明装好了。这里我想多说一句，TESA后续更新比较频繁，如果你的eeglab版本比较老，可能兼容性会有问题，建议eeglab和TESA都尽量保持最新版本，能少踩不少坑。

2.2 TESA的核心设计思路：分步走，逐步瓦解伪迹

TESA在设计上跟常规eeglab插件最大的不同，是它把TMS-EEG预处理拆解成一套非常清晰的步骤流程。它把“移除TMS脉冲伪迹”、“移除肌肉伪迹与衰减尾迹”、“去除眼动等剩余伪迹”、“重参考”这些步骤全部做成了带有图形界面的函数，每一步都有对应的菜单入口和命令行函数。

这样做的好处不仅是对新手友好，更重要的是每一步处理完你都可以停下来检查数据质量，确认没问题再继续下一步。这和我前面说的问题是对应的：TMS-EEG伪迹种类多、幅度差异巨大，必须“先大的后小的、先非生理的后生理的”这样逐步清除，而不是一把梭哈全扔给某个自动算法。TESA把这种思路固化成了操作流程，让使用者不容易出错。

同时TESA也支持批处理。你处理完一个被试后，可以把参数存成脚本，直接循环跑后面几十个被试，这在样本量大的研究里非常省力。我自己就是先把前两个被试的参数反复调好，然后写了个for循环一晚上把所有数据都过了一遍，效率真的高。

3. TESA预处理全流程拆解：从原始数据到干净TEP

下面进入正题，我把TESA建议的TMS-EEG预处理流程按实际操作的顺序完整过一遍。每一步我会说清楚在TESA里对应哪个函数，参数怎么选，以及为什么这样选。

3.1 整体流程总览：先看地图再出发

TESA官方推荐的TMS-EEG预处理流程大致是这样的：原始数据导入 -> 事件标记与分段 -> 去除TMS脉冲伪迹 -> 去除肌肉伪迹与衰减尾迹 -> 手动检查并剔除坏段 -> 去除剩余眼动伪迹 -> 重参考 -> 基线校正 -> 滤波 -> 叠加平均或后续分析。

在这个流程里，我把“重参考”和“基线校正”“滤波”放在一起说，是因为这几个步骤在TESA里也有专门的函数，但它们的顺序在不同文献里略有出入。TESA默认流程里，重参考通常放在伪迹去除之后、滤波之前，这样做的逻辑是先去掉高幅值伪迹，再重参考，以免一个电极上的巨大伪迹通过重参考“传染”给所有电极。基线校正一般放在滤波之后、平均之前，但也有人放在滤波前，这个后面细说。

3.2 导入数据、事件标记与分段：把原始数据变得可用

如果你用的是BrainVision、Biosemi、EGI这些常见系统导出的原始数据，通常可以用eeglab自带的导入工具直接读。比如BrainVision的.vhdr文件，在eeglab里选“File”->“Import data”->“Using EEGLAB functions and plugins”->“Brain Vision”就成。我自己的数据是用BrainVision格式存的，导入后eeglab会自动读入事件标记，这时候我建议你先检查一下marker：在eeglab界面点“Edit”->“Event values”，或者直接在命令行用“EEG.event”查看每一个事件的时间点和类型，确认TMS刺激事件是不是被正确标记了。

确认没问题之后就做分段。TMS-EEG的分段窗口我一般习惯取刺激前1000毫秒到刺激后2000毫秒（[-1000, 2000]ms），这个窗口长度足够取到稳定的基线，也能覆盖TEP从早期（N15）到晚期（N100、P180甚至更晚）的成分。太短的话晚期成分会被截断，太长的话含伪迹的概率升高，而且需要更大的存储空间。在TESA里，你可以直接用eeglab的标准分段函数“pop_epoch”来切数据，不需要额外的TESA函数，切完之后记得把基线去掉，或者先不急着去基线，等滤波之后再处理。

3.3 去除TMS脉冲伪迹：TESA的看家本领

这一步是整个TMS-EEG预处理的核心，也是TESA最出彩的地方。TMS刺激瞬间那个巨大的脉冲伪迹，最常用的处理办法是“局部移除+插值”。原理很简单：找到刺激事件点，把刺激点前后一小段数据视为“坏数据”，用其前后相邻的真实信号做插值替换掉。

在TESA里对应的是“pop_tesa_removespikes”函数。在eeglab菜单栏里选择TMS-EEG -> Remove TMS artifact -> pop_tesa_removespikes，会弹出参数设置窗口。这里的核心参数是“Time window”，即你要移除的时间窗口。我常用的设置是刺激前2毫秒到刺激后10毫秒（[-2, 10]ms），这个范围对大多数TMS-EEG系统来说足够把脉冲伪迹的主体覆盖掉了。但请注意，如果你的放大器恢复时间比较慢，脉冲伪迹可能持续到刺激后15毫秒以上，那就需要把窗口后沿适当加大，比如到15或20毫秒。窗口太小的坏处是残留伪迹会被当成真实信号参与后续分析；窗口太大的坏处则是会把真实的早期TEP成分（比如N15）也给插值抹掉，所以这个参数要根据你的数据实际情况来调，没有一个对所有系统都适用的固定值。

函数还有一个重要选项是“Method”，也就是插值方法，TESA提供了Auto、Linear spline、Cubic spline等几种。我自己一般用默认的Auto，如果发现插值处波形有畸变，再手动换成Linear spline试试。处理完这一步，你会在数据里看到刺激点附近那段信号变成了平滑的曲线，那个“大钉子”消失了，这时候你的数据才算能看。

3.4 去除肌肉伪迹与衰减尾迹：把残留的“尾巴”剪干净

TMS脉冲伪迹移除后，紧接着要处理的就是肌肉伪迹和放大器恢复期留下的衰减尾迹。这一步TESA提供的是“pop_tesa_removeartifacts”函数，它的设计思路是把指定时间窗口内的数据当作伪迹区，用前后数据做插值替换。

那这个“指定时间窗口”怎么定呢？我一般看刺激后10到50毫秒这段，具体要看你的刺激部位。如果刺激的是运动皮层或者靠近颞肌的位置，肌肉伪迹可能非常重，持续到50毫秒甚至更久；如果刺激的是比较靠中间的脑区，肌肉伪迹相对轻一些，窗口可以缩到刺激后30毫秒。TESA这个函数会让你选择用自动检测还是手动标记，自动检测会基于幅度和斜率等指标识别伪迹段，但我不太建议完全依赖自动检测，最好还是手动翻一下数据，确认肌肉伪迹真的被处理掉了。

有一点必须提醒：肌肉伪迹窗口内其实包含了真实皮层对TMS的早期反应，把这些全部插值掉，确实会损失一部分真实信号。所以这一步骤的核心原则是“能少去就少去”，只去除那些明显被肌肉活动污染的时间段，不要搞“宁可错杀一千”的策略。对于肌肉伪迹非常严重的数据，有些研究会考虑放弃极早期TEP成分分析，或者改用特殊的分析方法，这属于研究设计层面的取舍，需要大家自己做判断。

3.5 手动检查和坏段剔除：预处理里最耗时但最值得的一步

处理完上面两步之后，TMS相关的“大头”伪迹基本上已经清完了，但你的数据里可能还残留着电极漂移、运动伪迹、偶发的巨大噪声段等。这些残留问题，最可靠的办法就是一个一个trial肉眼检查。

在TESA里，手动检查最常用的还是eeglab自带的“pop_eegplot”连续滚动浏览和标记功能。你可以选中要检查的epoch，设置好缩放参数，然后从头翻到尾。看到明显有大幅度噪声、电极突然断连、多层伪迹叠加的段，就用鼠标把它标记成坏的，最后统一剔除。

除了纯肉眼，TESA也支持用一些自动指标来辅助筛选坏段，比如基于信号幅度、方差、峰度等阈值的统计判别。我的习惯是先用自动阈值粗筛一遍，把那些幅度超过设定阈值（比如±150微伏）的trail标记出来，再手动逐一确认，这样既不漏掉明显的坏段，也不会误删掉真实的大TEP反应。这里要说明，每个人对“坏段”的标准确实存在主观性，但为了报告可重复，最好事先根据文献和你自己数据的整体情况定好一个统一标准，然后所有被试都用同一套标准处理。

3.6 重参考、基线校正与滤波：把波形调成“可分析”的形态

这三步虽然后置，但它们对TEP波形的影响很大，不能小看。

重参考这一步，TESA里有专门的函数“pop_tesa_rereference”。TMS-EEG数据常用的参考方案有好几种，最常见的是平均参考（average reference），也就是用所有电极的平均信号作为参考，这样可以在一定程度上减少参考电极位置对波形的影响。也有研究用再参考到某个特定电极（比如Cz）或者使用参考电极标准化技术（REST），这取决于你的研究问题和后续分析需求。我自己的经验是，如果是做全脑TEP地形图分析，平均参考更常用；如果只关注某个特定电极（如M1），那直接参考某个点可能更直观。在TESA里这一步其实就是调用eeglab的重参考函数，只是封装成了符合TMS-EEG流程的菜单入口。

基线校正我一般放在滤波之后、叠加平均之前。TMS-EEG的分段基线通常取刺激前500毫秒到刺激前10毫秒（[-500, -10]ms），注意不要包含刺激点之前很近的窗口，因为那里可能会有刺激前神经活动或准备电位，会影响基线稳定性。如果你用的是[-1000, 2000]ms的分段窗口，基线矫正就是直接把该时段的平均幅值从整个epoch中减掉，让基线贴合零线。峰值和潜伏期的测量，基线的选择影响非常大，每次分析都要保持一致。

滤波同样重要，但顺序一定要放在TMS脉冲伪迹移除和肌肉伪迹处理之后。这是因为前面说过的，高幅值伪迹在滤波时会产生振铃效应，把伪迹能量扩散到广大的时间范围。TMS-EEG的滤波设置我常用的是带通0.1到100赫兹，同时做50赫兹的陷波滤波（你也可以选择去掉50Hz陷波，不变频，在后续分析中专门处理工频干扰）。0.1Hz高通是为了去除直流漂移和极低频慢波，100Hz低通是为了保留TEP的高频成分，但又不过多带入肌电（肌肉伪迹频率高，虽然已经切了一部分，但残留的中高频肌电仍需低通来控制）。如果你的研究关注的是比较慢的成分，低通设低一点也可以，但一定要在方法部分写清楚。

3.7 那ICA呢？我怎么在TESA流程里用它

很多人习惯在普通EEG预处理里跑ICA来去眼电，但到了TMS-EEG这里，ICA的使用就要谨慎得多。TESA其实也提供了基于ICA的工具，但它明确的说法是：在TMS脉冲伪迹和肌肉伪迹处理完之后，剩下的眼动伪迹等“弱伪迹”可以用ICA来辅助去除。

我的建议是，如果你在预处理中发现某些trail里仍有明显的眨眼伪迹残留，你可以先做ICA分解，识别出代表眨眼和水平眼动的独立分量，然后把它们置零并还原数据。但这里有个前提，TMS-EEG数据里的TEP本身也是高度非平稳的，ICA分解后的某些分量可能既包含一些眼动信息又包含真实脑电成分，你清洗的时候稍微不小心就会损伤TEP信号。所以，我只建议在“明显能看到眼动成分”的情况下才做ICA，而且做完之后一定要回去逐个检查清洗后的波形，确认没有把TEP成分误删。TESA提供的“pop_tesa_ica”和“pop_tesa_ica_remove”就是做这个用的。

4. TESA常用函数与参数速查：我的实操笔记

这部分我把平时最常用到的TESA函数和关键参数整理成笔记，方便你操作时直接查。这只是我自己项目里的常用设置，不一定适用于所有数据，但能给你一个合理的起点。

4.1 移除TMS脉冲伪迹：pop_tesa_removespikes

命令行调用示例：

% 假设EEG是经过分段后的数据集 EEG = pop_tesa_removespikes(EEG, 'window', [-2, 10], 'method', 'Auto');

关键参数说明如下表：

这个函数执行完，会弹出处理前后的对比图，你一眼就能看出“大钉子”是否被处理干净。如果发现窗口外还有明显残留，可以试着把后沿改到15或20ms再跑一次。

4.2 移除肌肉伪迹与衰减尾迹：pop_tesa_removeartifacts

这个函数我一般配合手动检查来用。一种常见做法是先跑一个带自动阈值检测的版本，把明显超幅的段标记出来，然后再手动调整。示例：

EEG = pop_tesa_removeartifacts(EEG, 'remove', 'muscle', 'muscleWindow', [10, 50]);

“muscleWindow”是核心参数，指从刺激后多少毫秒到多少毫秒视为肌肉伪迹区。如果你的数据是深度TMS刺激、或者刺激位置靠近肌肉，这个窗口需要相应扩大。该函数还支持去除“spike”伪迹（比如电极短促的尖刺噪声）和“decay”伪迹（放大器恢复期较长的指数衰减尾迹）。我在处理中后段数据时，经常会联合使用“muscle”和“decay”选项，尤其是刺激强度较大的时候。

4.3 重参考：pop_tesa_rereference

示例：

EEG = pop_tesa_rereference(EEG, 'average');

这是最常用的平均参考。如果你要做的是面向特定电极的单点分析，也可以参考到特定电极。但注意，如果你之后要跑源定位之类的分析，参考方式的选择会和源重建结果有关系，最好事先根据分析需求决定，别在预处理完了再改主意。

4.4 常用报错和排查速查表

5. 这些坑我踩过，你注意别踩

最后这部分是我最想说的。上面讲的都是流程和参数，看起来挺顺，但实际操作中各种细节问题特别多，我在这儿集中写几个容易犯的错，也是我自己的血泪经验。

5.1 TMS脉冲伪迹窗口不要“贪大”

我第一回处理数据时，总怕脉冲伪迹清不干净，把移除窗口设到前5毫秒、后30毫秒，结果确实非常干净，但把N15、P30这些早期TEP成分全给“插值”没了。后来仔细对比不同窗口的结果才发现，[-2, 10]毫秒或者[-2, 15]毫秒通常是比较平衡的选择。如果你不确定，我有个土办法：把不同窗口的处理结果都画出来，看看早期成分随窗口变化大不大，如果窗口加大到某一点之后，波形没有明显变化了，说明那个位置已经超出了脉冲伪迹的影响范围，可以停手了。

5.2 每一个环节都要保存中间结果

TMS-EEG预处理流程长，一步处理完，下一步可能就把前面的结果覆盖了。我一开始犯过的错误是每一步都在原变量上操作，结果发现跑完某一步后想回头调整参数，已经没法找回上一步的数据了。现在我的习惯是每完成一个阶段，就保存一份.set文件，比如“raw.set”、“segmented.set”、“removed_tms.set”、“removed_muscle.set”，这样无论后面发现什么异常，都能回到之前的节点重新来，不用从头跑。这个习惯还能帮你在写论文方法部分时更清晰地复述每一步的参数和顺序。

5.3 方法部分一定要写清楚参数和顺序

这点虽然不算实操操作，但我强烈建议你在开始处理第一批数据时，就在一个文档里详细记录每一个被试的预处理参数（窗口大小、滤波器类型、坏段剔除标准、参考方式等）。不仅是为了写论文时方便，更重要的是，如果你之后发现问题想调整参数，就能判断到底是哪一步影响了结果。TESA本身的批处理结构也鼓励这种做法，你调好一个脚本后，所有后续被试的处理都会保持一致，保证研究的可复现性。

5.4 关于ICA的一句提醒

TESA其实是支持ICA的，但我的实际经验是，在肌肉伪迹特别重或TMS伪迹清理不彻底的数据里，ICA的结果非常不稳定，甚至会引入新的伪迹。如果你非要用，先用前面说的方法把肉眼可见的伪迹彻底清掉，做完ICA后务必逐个分量目检，盯着那些“一眼就是眼动/肌电”的分量删，千万别省这一步。

最后说说我的一点个人体会

我做的TMS-EEG项目多了之后，越来越觉得预处理不是“走流程”，而是每一步都在跟信号质量、伪迹类型和研究问题之间做平衡。TESA的价值在于它把这些平衡点集中在了几个明确的操作步骤里，让这件事变得不那么神秘。更重要的是，它把TMS-EEG预处理从“纯手工活”变成了“半自动流水线”，这对动辄几十个被试的科研项目来说，节约的时间是非常可观的。我自己在处理第一批数据时，从什么都不懂到最后理清流程，大概花了两周；后来跑第二批数据，两天就把所有被试处理完了。这套流程的稳定性和速度，对后续的TEP分析、源定位、功能连接分析都是实实在在的保障。希望这篇分享能帮你少走点弯路，也欢迎你在实际操作中多尝试、多琢磨，最终一定能找到最适合自己数据的那套参数组合。