完整代码由知乎学术咨询获取

https://www.zhihu.com/consult/people/792359672131756032?isMe=1

如果你对信号滤波/降噪，机器学习/深度学习，时间序列预分析/预测，设备故障诊断/缺陷检测/异常检测有疑问，或者需要论文思路上的建议，欢迎咨询

担任《MSSP》《中国电机工程学报》《宇航学报》《控制与决策》等期刊审稿专家，擅长领域：信号滤波/降噪，机器学习/深度学习，时间序列预分析/预测，设备故障诊断/缺陷检测/异常检测

脑电图（EEG）在采集过程中极易受到眼动和眨眼产生的电生理伪影干扰，这些伪影主要集中在低频段（通常＜4 Hz，即delta节律）。传统去噪方法如带通滤波会同时损失脑电中的有用低频成分，而经验模态分解（EMD）虽自适应但存在模态混叠。经验小波变换（EWT）通过自适应划分频谱构建小波滤波器组，能更精细地分离信号成分。在此基础上，二进边界EWT采用倍频程划分频带，使分解更符合生理信号的节律特性。得到各子带后，针对伪影集中的低频子带（delta节律），首先用Savitzky Golay滤波器进行平滑，再用全变分去噪进一步抑制残留噪声，最后将处理后的低频分量与其余高频子带叠加，得到干净的重构EEG。

这个方法先利用二进边界EWT把脑电信号拆成不同频段的子带，找到眼动伪影主要集中的最低频子带，用SG滤波和TV去噪联手把里面的伪影“拔掉”，再和其他子带拼回去，就能得到干净无伪影的脑电信号。

算法步骤

读入含伪影的EEG信号 将原始EEG信号（含眼动、眨眼伪影）与一个干净参考信号（如果有）加载到工作区。

设计二进边界EWT滤波器组 根据采样率，按倍频程划分频带（例如6层，覆盖0~Fs/2），计算每个频带的边界频率，并将其转换为归一化角频率，然后构建Meyer小波滤波器组。

分解信号 对原始EEG信号做FFT，再与滤波器组中每个滤波器的共轭相乘，逆变换得到各个频带的子带分量（共6个子带，其中第一个子带对应最低频段，即delta节律）。

对低频子带进行SG滤波 取第一个子带（delta节律），用Savitzky Golay滤波器（阶数2，窗口长度由信号长度和采样率决定）对其进行平滑，减少毛刺。

用全变分（TV）去噪 将SG滤波后的结果作为输入，使用迭代Majorization Minimization算法求解TV去噪问题，得到干净的低频成分，并计算残差（即被剔除的伪影）。

重构无伪影信号 将TV去噪后的低频分量与其余子带（theta、alpha、beta等）直接相加，得到最终干净的EEG信号。

评估效果 计算重构信号与干净参考信号之间的互信息、相关系数、信噪比改善等指标，并绘制功率谱对比图，验证伪影消除效果。