在头表脑电图（Electroencephalography,EEG）的实际应用中,真实的脑电信号可能被各种类型的伪迹所掩盖。虽然已有多种伪迹去除方法,但是高质量的原始数据仍旧无法替代。因此,针对原始脑电数据的质量评估方法尤其重要,其优势在于:1)采集数据时及时地反馈数据质量;2)排除质量较差的数据;3)根据质量评估结果,能够制定个性化的预处理策略。然而,现有的脑电数据质量评估研究仍存在定量质量指标零散不成体系、泛化性不足、稳定性不高等问题。因此,本文将基于原始脑电数据的特点,发展系列鲁棒性的、定量的、客观的质量指标,并通过对大规模的窗指标进行统计分析,获得合理的窗指标阈值,最终形成一套规范化的质量评估方法框架。本文的主要工作如下:首先,本文从大数据视角提出了一种针对原始脑电数据的定量信号质量评估方法（Quantitative Signal Quality Assessment method,QSQA）,然后建立不同噪声类型、不同噪声水平的仿真数据集对QSQA进行性能检测,接着利用健康被试的闭眼静息态数据集对QSQA进行测试与参数优化,获得最优的阈值,考察参数与质量评估结果的关系。研究结果显示,针对仿真数据,随着噪声水平的增加,脑电数据质量指标呈现严格的线性趋势（线性增高/降低,R~2＞0.99）,表明QSQA对伪迹具有较好的灵敏性;针对闭眼静息态数据集,建议阈值均对应窗指标分布的95%参考区间,且当参数超过建议参数时,数据质量指标仍较为稳定,这表明QSQA具有较好的稳定性。然后,本文对比了现有的脑电质量评估工具PREP（PREProcessing pipeline）与QSQA在性能上的差异,并采用四个静息态脑电数据集,进一步考察所提出QSQA的表现。结果显示,相比于PREP工具,QSQA能够更加精细化、准确地评估脑电数据质量;此外,相比于其他类型的伪迹,频率噪声更为常见（在质量等级“D”下,其中三个数据集的OFN（Overall ratio of high-Frequency Noise windows）值分别为34.72%、51.97%、44.92%）,这提示了在脑电采集和脑电数据预处理过程中应格外注意频率噪声的干扰。综上所述,QSQA对噪声具有较好的灵敏性,本文提出了一系列稳定、可靠的脑电数据质量定量指标,在大规模脑电研究中具有很好的应用前景。此外,QSQA已整合至We Brain云平台（https://webrain.uestc.edu.cn/）。