接脑电预处理知识介绍，脑电信号（EEG）的伪迹识别是数据预处理中至关重要的一部分，因为伪迹（artifact）会严重影响EEG信号的准确性，尤其在复杂的分析任务如脑-机接口、认知神经科学和神经康复中。有效的伪迹识别和去除可以显著提高信号质量和分析效果。以下是一些详细的伪迹识别技巧，涵盖常见伪迹类型及其对应的识别和去除方法。
1. 眼动伪迹（EOG）
眼动伪迹包括眨眼和眼球运动，通常会出现在低频段（1-10 Hz）。由于眼部附近的电极容易捕捉到这些活动，它们常常混入EEG信号中,如图1。
识别技巧：
波形特征：眨眼伪迹通常会产生一个短时间的尖峰或大的低频振荡，尤其在额叶电极位置（如Fp1、Fp2）。
独立成分分析（ICA）：ICA可以将EEG信号分解为多个独立成分，眼动伪迹通常表现为特定成分，其时间窗内的特征性波形类似于眼动活动，可以通过可视化来识别。
相关电极：眨眼伪迹在靠近眼睛的电极（如Fp1、Fp2、AF3、AF4）上尤为显著，而在头部后部电极上较弱。
图1. 眼动伪迹 去除方法：
EOG回归法：通过使用额外的眼电图（EOG）电极记录眼动活动，然后回归分析去除与EEG信号中的相关分量。
ICA：ICA可以分离出独立的眼动伪迹分量，识别后可以将其从EEG信号中去除。
2. 肌电伪迹（EMG）
肌电伪迹源于头部或脸部肌肉的活动，通常表现为高频噪声，主要影响30 Hz以上的频段, 如图2。
识别技巧：
频谱分析：肌电伪迹常出现在高频段（>30 Hz），通过频谱图可以观察到局部的高频功率增加。
波形特征：肌电伪迹的时间域信号往往表现为快速振荡，与EEG的缓慢波形明显不同。
相关电极：肌电伪迹通常在靠近脸部或下颌的电极（如T7、T8、F7、F8）上最为显著。
图2. 肌电伪迹 去除方法：
高频滤波：可以通过设置高频滤波器（如40-50 Hz）来去除肌电伪迹，虽然这可能会丢失部分高频EEG信号。
ICA/PCA：通过ICA或PCA分解出包含肌电伪迹的成分，并将其剔除。
3. 心电伪迹（ECG）
心电伪迹由心脏的电活动引起，主要在低频段出现（通常<1 Hz），特别是当电极靠近胸部时更为明显。
识别技巧：
波形特征：心电伪迹通常呈现为周期性、尖峰波动，与心跳同步，频率大约为1 Hz左右（取决于心率）。
频谱分析：通过频谱分析可以观察到大约1 Hz频段上的特征性尖峰。
时间锁定：可以通过与已知心率的对比，确定伪迹的时间间隔是否与心跳周期一致。
去除方法：
ICA：ICA可有效分离出心电伪迹成分，识别后加以去除。
参考回归法：使用心电图（ECG）信号作为参考，回归去除EEG信号中的心电伪迹成分。
4. 电极伪迹
电极伪迹通常是由于电极接触不良、移动或电极与皮肤之间的阻抗波动引起的，表现为突然的尖峰或缓慢的漂移。
识别技巧：
波形特征：电极伪迹通常表现为突然的电位跳变、短暂的大振幅变化，或持续的低频漂移。
相关电极：问题电极往往在某一特定通道上表现出异常，而其他通道信号相对正常。
去除方法：
手动检查：通过检查数据的原始时间序列，手动标记并去除包含明显电极伪迹的时间窗。
伪迹插补：可以通过插补算法，用相邻电极的信号代替受伪迹影响的信号（例如线性插值或球面插值）。
5. 电源干扰（50/60 Hz工频噪声）
电源干扰是由电网产生的工频噪声，通常表现为50 Hz（或60 Hz，取决于地区）频率的稳定振荡。
识别技巧：
频谱分析：通过频谱图可以清晰地看到50/60 Hz频率处的尖峰。
波形特征：时间域上表现为周期性且稳定的正弦波。
去除方法：
陷波滤波器（Notch Filter）：使用50 Hz或60 Hz陷波滤波器可以有效去除工频噪声，而不会显著影响EEG信号。
带通滤波：在预处理中使用1-40 Hz的带通滤波器，可以同时去除工频噪声和其他高频噪声。
6. 基线漂移（Baseline Drift）
基线漂移通常由皮肤电阻变化或电极-皮肤接触问题引起，表现为低频的缓慢波动。
识别技巧：
波形特征：基线漂移通常表现为低频（<0.5 Hz）的缓慢波动，特别是在长时间记录中容易出现。
频谱分析：频谱图中低频段功率显著增加。
去除方法：
高通滤波：可以通过高通滤波器（如0.5 Hz或1 Hz）去除低频漂移成分。
基线校正：通过在事件相关的分析中使用基线校正方法，减去每个时间窗中的基线值，可以有效减少漂移的影响。
7. 脑电干扰（EEG Contamination）
在多任务、多模态实验中，EEG信号可能被其他脑电信号源干扰，如运动相关电位或传导效应。这种伪迹往往难以通过简单的时频分析去除。
识别技巧：
时间锁定：与外部干扰同步的EEG变化可能被标记为伪迹。
ICA/PCA：通过分解成分，可以识别和分离与任务无关的活动。
去除方法：
多通道参考：可以使用多个参考电极和空间滤波技术，如拉普拉斯滤波或常规平均参考法，减少EEG信号中的干扰。
在EEG伪迹识别与去除中，常用的技巧包括波形特征分析、频谱分析、独立成分分析（ICA）、主成分分析（PCA）和回归法等。通过多种技术结合，针对不同类型的伪迹进行识别和处理，可以显著提高EEG数据的质量和后续分析的准确性。对于复杂的实验和数据集，可能需要多步骤、手动调整和视觉检查，以确保伪迹被有效去除，同时保留关键信号。
|
