步骤：
1.(Import data)导入数据
2.(Channel locations)电极定位
3.(Select data)剔除无用电极
4.(filter the data)滤波
5.(Extract epochs and Remove baseline)分段和基线校正
6.Artifact rejection (bad channel and epoch) (剔除坏段、插值坏导)
7.(Independent component analysis, ICA)独立成分分析
8.(Remove components）剔除伪迹成分
9.(Reject extreme values)自动去除极端值
10.(Re-reference)重参考
注意：没有提到的中间对话框绝大多数默认选择OK
0.(Start EEGLAB)启动EEGLAB
关于版本15版matlab后使用eeglab14_1_2b，之前版本推荐eeglab13_0_0。本手册基于eeglab13_0_0
(1)启动matlab
(2)将eeglab文件夹添加至路径(全英文路径!)
Set path→Add with subfolders 选择eeglab文件夹点击 save后点击close
（见图0.1）
(3) command window输入eeglab以后弹出eeglab界面
（见图0.2）
1.(Import data)导入数据
(1)File→Import data（见图1.1）
(2)File→load existing data(导入EEGLAB处理后的数据文件,文件格式为.set)(见图1.2 1.3)
2.(Channel locations)电极定位
Edit→Channel locations，如果你的脑电数据中包括了电极分布文件就会显示各电极的位置信息。（见图2.1）再点击Plot-2D画出电极分布图。（见图2.2）
3.(Select data)剔除无用电极
Edit→Select data
无用电极指的是在整个脑电信号处理的过程中没有用的电极，一般来说活动电极是没用的(做参考和特殊用途的除外) 。如果通道全部保留可以跳过此步。（见图3.1）
4.(filter the data)滤波
Tools→Filter the data→Basic FIR filter→(1Hz Lower Edge of the frequency pass band)→Overwrite it in memory
Tools→Filter the data→Basic FIR filter→(30Hz Higher Edge of the frequency pass band)→Overwrite it in memory
ERP常见的滤波范围一般是0.1~40Hz，越低的高通滤波下限，则运算量越大。
若需要做时频或者频域，则可以考虑把滤波范围扩展到0.1~70Hz，或者0.5~70Hz，简单地说就是当涉及到频域信息的时候，就需要更高的低通滤波，以囊括更多的高频信息
本例中带通滤波的操作（见图4.1）：
5.(Extract epochs and Remove baseline)分段和基线校正
Tools右Extract epochs, 弹出窗口（图5.1）
我们不需要把每个epoch 的limit 进行更改。这里每个epoch 时间长度为3s。
6.Artifact rejection (bad channel and epoch) (剔除坏段、插值坏导)
剔除坏段就是把表现不好的trail 直接去掉，但是ERP分析希望是trail多一些好。尽量不要剔除坏段。
Plot→Channel data scroll→选中某坏段点击reject
剔除坏段不得超过总trail数的10%
（图6.1）
插值坏导就是，因为EEG信号空间分辨率低，每一个通道应该和周围通道的输出相似，所以说可以用周围的几个通道的输出来代替某个表现不佳的通道。如果通道较少建议更换电极，调整电极接触头皮的松紧度，而不是用插值坏导。再或者通过先验知识，用一个大致相同的通道来代替。
第一种方法是代码操作:
EEG.data(a,:,:)=EEG.data([b,c,d],:,:)。
其中a代表坏掉的电极点数值，b c d 代表要进行插值平均的电极点数值。
（图6.2）
例如:EEG.data(17,:,:)=EEG.data([8,18,26,16],:,:)
第二种方法是画板操作:用eeglab的默认算法进行。（图6.3 6.4）
7.(Independent component analysis, ICA)独立成分分析
研究人员提出还有一种更好的选择，就是将ICA方法应用于多通道EEG记录，并通过消除人为因素对头皮传感器的影响，从EEG记录中删除各种伪影。研究结果表明，ICA可以有效地检测，分离和消除EEG记录中的各种伪迹，其结果与使用基于回归或基于PCA的方法获得的结果相比更具有优势。
Tools→RUN ICA (插值坏导后用到pca)
脑电是由源信号和噪声混合而成的，如果我们能将源信号和噪声源分开，再将源信号重构即可达到脑电信号去噪的效果。ICA就是得到构成脑电信号的所有的源。
一般源的个数要小于通道的个数。使用插值坏导需用到pca，最大成分为总电极导数减去插值坏导数。（图7.1）
8.(Remove components）剔除伪迹成分
识别标记噪声成份
Tools→Reject data using ICA→Reject component by map
这些源会按顺序排列，对脑电信号影响大的会排在前面，影响小的会排在后面
（图8.1）
最常见的噪声：（图8.2）
眨眼
1.前端分布(颜色深，大红大蓝)
2.小方块相对集中
3.成份排序靠前
4.随机分布
5.低频能量高(眨眼频率低)
眼漂
1. 前端两侧分布，红蓝相对(眼漂时左右不对称)
2. 长条状，红蓝相间
3. 一般成份排行前20，在眨眼之后
4. 低频能量高(眼漂同样频率低)
工频干扰
1.50Hz左右能量分布高
2.分布在地线周围
头动
1.四周能量分布
2.在单个trail有非常明显的漂移(plot data scroll)
心电
1.后端分布
2.时间短促有力
(3)剔除噪声成份
Tools→Remove components
（图8.3）
此处示例为剔除成分1和2
9. (Reject extreme values)自动去除极端值
这一步的目的是自动去除一些在前面没有注意到的伪迹段，理论依据是生理信号都不会超过正负100微伏，所以卡一个阈值，去除超过正负100微伏，甚至更严格的会选取80微伏的数据段，操作方式如（图9.1）
若这一步拒绝太多的伪迹段，则要考虑在回到前面的步骤剔除更多的伪迹成分
10．（Re-reference）重参考
重参考的主要目的是为了与前人的文献进行对比
做实验的时候一般会选择一个足够稳定的点作为参考点
分析数据的时候就会换个参考点，为了与前人的文献做对比
常见的参考方式包括
双侧乳突：大部分的ERP实验，TP9/TP10,M1/M2,A1/A2
鼻尖参考、全脑平均、零参考
重参考的操作方式：（图10.1）
