脑电伪迹系列之脑电伪迹处理与技术剖析

 

 

在上一篇系列文章中了解到，脑电信号反映大脑神经元活动，在神经科学研究、临床诊断、脑机接口等领域应用广泛。但脑电信号幅值微弱极易受伪迹干扰 。这些伪迹降低信号信噪比，增加数据变异性，导致实验结果偏差。例如在癫痫诊断中，脉搏伪迹可能被误判为癫痫样活动影响诊断准确性。所以，有效处理脑电伪迹是获取可靠脑电数据的关键。

 

HUIYING

不同类型脑电伪迹

去除脑电伪迹的过程也称为脑电信号预处理，预处理通常包括剔除无用电极--滤波--重参考--基线校正--坏段剔除和插值分析--独立成分分析等，目的是去除噪声和伪迹，提高信号质量。以下将介绍在此过程中所采用的脑电伪迹处理技术。

 

 

HUIYING

脑电伪迹处理技术

滤波（Filtering）

 

1.低通滤波：通过设置截止频率,保留低频脑电信号。处理肌肉活动伪迹时，能有效去除高频噪声。

2.高通滤波：保留高频信号，衰减低频信号。可有效去除因出汗或电极接触不良导致的基线漂移。

3.带通滤波：保留特定频率范围内的信号，去除其他频段信号。去除工频干扰（如 50Hz 或 60Hz）时，能精准保留脑电信号有效频率范围，抑制干扰频率。

4.陷波滤波：去除特定频率范围内干扰信号，如 50Hz 或 60Hz 的工频干扰，能在不影响其他频率信号的情况下，有效抑制工频噪声。

5.自适应滤波：根据信号变化自动调整滤波器参数。处理眼电伪迹时，将眼电信号作为参考信号，实时估计噪声并从原始信号中减去，以达到最佳滤波效果。

 

 

 

 

不同伪迹波形及干扰频段

 

 

 

 

 

 

 

 

 

高通、低通滤波效果图

 

 

参考(Re-reference)

 

重参考通常在滤波等基础预处理步骤之后进行。不同个体或设备在采集脑电信号时，由于参考电极的差异，会造成信号参考标准不一致。重参考能够统一标准，让不同来源的数据具备可比性。

 

 

当脑电信号中的工频干扰、肌电伪迹等通过滤波初步去除，信号相对稳定时，再开展重参考操作，效果更佳，避免过度处理带来的负面影响。

 

 

 

 

 

脑电信号处理中常见参考点

 

 

 

信号A(细线)和B（粗线）在不同参考点下电压值重合率不同

 

 

 

 

 

 

 

需要注意的是，由于不存在理想参考点，需要在不同参考电极下观察电极，选择处于中心导联线上的参考点，避免采用噪声高的参考点。通常情况下采用平均乳突或平均耳垂作为参考。

 

基于信号分解的方法

1.独立成分分析（ICA）：

ICA是一种基于统计学的盲源分离技术，其核心假设是EEG信号由多个独立的源信号线性混合而成。通过ICA，可以将EEG信号分解为独立成分，进而识别并去除伪迹。

 

 

 

 

 

 

脑电信号中的独立源信号成分

 

 

 

 

在 EEG 分析中，输入矩阵 X 的行代表不同电极上记录的 EEG 信号，列代表不同时间点的测量值。ICA 要找到一个 “分解” 矩阵 W，将多通道头皮数据分解为时间上独立且空间固定的分量之和，输出数据矩阵 U = WX 的行就是 ICA 分量激活的时间过程。逆矩阵 inv（W）的列给出每个头皮传感器上各个分量的相对投影强度，赋予每种成分头皮形貌，为成分的生理起源提供证据。

 

 

 

ICA将EEG进行盲源分离

 

 

 

去除伪迹信号源后重新合成纯净EEG

 

 

 

 

 

ICA是目前最普遍用于去除EEG信号中眼电、肌电等伪迹的方法，优势在于能够较为可靠的去除眼电、肌电伪迹。

 

 

 

 

HUIYING

其他源分解方法

经验模态分解（EMD）：自适应的信号分解方法，把复杂信号分解为多个固有模态函数（IMF），通过分析 IMF 去除含伪迹部分再重构信号，但存在模态混叠问题，影响伪迹去除效果。

小波分解：将信号分解到不同尺度和频率的小波系数上，对系数进行阈值处理去除伪迹后重构信号，能在不同分辨率下分析信号，但选择合适的小波基和阈值较困难。

 

常用脑电伪迹处理工具

1.EEGLAB

 

基于 Matlab 的脑电信号处理工具包，集成多种伪迹处理算法，如 ICA、滤波等。拥有直观图形界面，方便用户导入、处理和分析脑电数据。还支持时间频率分析、事件相关电位处理等功能，并提供丰富插件扩展，满足不同研究需求。处理多通道脑电数据时，其 ICA 算法可快速分离出伪迹成分，方便用户进行去除操作。

 

2.FieldTrip

 

用于 MEG、EEG 等数据分析的 MATLAB 工具包，提供丰富的预处理和分析方法。在伪迹处理方面，支持滤波、坏通道修复等功能。支持多种数据格式，方便处理不同设备采集的数据。用户可编写 MATLAB 脚本，利用其高级函数实现个性化分析流程，满足复杂研究需求。

 

3.MNE

 

基于 Python 的开源工具，用于探索、可视化和分析神经生理数据。包含自动检测和插值坏通道、ICA 等伪迹处理功能。

 

4.BrainVision Analyzer 2

 

专注于 EEG 数据分析，提供全面的伪迹处理工具（如图）。在伪迹识别方面，有手动、自动和半自动模式。自动模式可通过设置梯度、幅度、最大 - 最小等标准自动检测伪迹；半自动模式结合了自动检测的客观性和手动调整的灵活性。在伪迹处理方面，涵盖滤波、重参考、ICA 等多种方法。对于 EEG - fMRI 等多模态数据中的特殊伪迹，还提供专门处理工具。处理同时包含多种伪迹的脑电数据时，能综合运用多种工具，有效去除伪迹，提高信号质量。

 

 

 

 

 

 

 

HUIYING

回映产品  

了解多种脑电伪迹处理策略、技术及常用工具后，可知优质脑电采集设备对获取高质量脑电信号意义重大。可穿戴32通道脑电采集仪就是这样的产品，它创新采用type-C转脑电电极，以简单轻便方式实现32通道采集。其结构与硬件特殊设计，不仅支持高原采集，还能减少环境因素导致的伪迹干扰，在复杂环境下稳定采集信号，为后续准确处理脑电信号、降低伪迹影响奠定良好基础。 

适用领域: 多通道生理参数采集

 

 

基本参数

 

采样率：≤16KSPS，每个通道独立可控制；

共模抑制比：≥120dB

系统噪声：≤5uVrms

模数转换率：24位

输入信号范围：±375mVpp

通频带：直流耦合放大，保留全部低频信号

事件同步输入：无线同步，时间精度＜1ms

供电方式：可充电锂电池

工作时间：单电池供电不低于4小时

优势：可支持高原环境采集