在上一篇系列文章中了解到，腦電信號反映大腦神經(jīng)元活動，在神經(jīng)科學(xué)研究、臨床診斷、腦機接口等領(lǐng)域應(yīng)用廣泛。但腦電信號幅值微弱極易受偽跡干擾 。這些偽跡降低信號信噪比，增加數(shù)據(jù)變異性，導(dǎo)致實驗結(jié)果偏差。例如在癲癇診斷中，脈搏偽跡可能被誤判為癲癇樣活動影響診斷準(zhǔn)確性。所以，有效處理腦電偽跡是獲取可靠腦電數(shù)據(jù)的關(guān)鍵。

HUIYING

不同類型腦電偽跡

去除腦電偽跡的過程也稱為腦電信號預(yù)處理，預(yù)處理通常包括剔除無用電極--濾波--重參考--基線校正--壞段剔除和插值分析--獨立成分分析等，目的是去除噪聲和偽跡，提高信號質(zhì)量。以下將介紹在此過程中所采用的腦電偽跡處理技術(shù)。

HUIYING

腦電偽跡處理技術(shù)

濾波（Filtering）

1.低通濾波：通過設(shè)置截止頻率,保留低頻腦電信號。處理肌肉活動偽跡時，能有效去除高頻噪聲。

2.高通濾波：保留高頻信號，衰減低頻信號?？捎行コ虺龊够螂姌O接觸不良導(dǎo)致的基線漂移。

3.帶通濾波：保留特定頻率范圍內(nèi)的信號，去除其他頻段信號。去除工頻干擾（如 50Hz 或 60Hz）時，能精準(zhǔn)保留腦電信號有效頻率范圍，抑制干擾頻率。

4.陷波濾波：去除特定頻率范圍內(nèi)干擾信號，如 50Hz 或 60Hz 的工頻干擾，能在不影響其他頻率信號的情況下，有效抑制工頻噪聲。

5.自適應(yīng)濾波：根據(jù)信號變化自動調(diào)整濾波器參數(shù)。處理眼電偽跡時，將眼電信號作為參考信號，實時估計噪聲并從原始信號中減去，以達(dá)到最佳濾波效果。

不同偽跡波形及干擾頻段

高通、低通濾波效果圖

參考(Re-reference)

重參考通常在濾波等基礎(chǔ)預(yù)處理步驟之后進(jìn)行。不同個體或設(shè)備在采集腦電信號時，由于參考電極的差異，會造成信號參考標(biāo)準(zhǔn)不一致。重參考能夠統(tǒng)一標(biāo)準(zhǔn)，讓不同來源的數(shù)據(jù)具備可比性。

當(dāng)腦電信號中的工頻干擾、肌電偽跡等通過濾波初步去除，信號相對穩(wěn)定時，再開展重參考操作，效果更佳，避免過度處理帶來的負(fù)面影響。

腦電信號處理中常見參考點

信號A(細(xì)線)和B（粗線）在不同參考點下電壓值重合率不同

需要注意的是，由于不存在理想?yún)⒖键c，需要在不同參考電極下觀察電極，選擇處于中心導(dǎo)聯(lián)線上的參考點，避免采用噪聲高的參考點。通常情況下采用平均乳突或平均耳垂作為參考。

基于信號分解的方法

1.獨立成分分析（ICA）：

ICA是一種基于統(tǒng)計學(xué)的盲源分離技術(shù)，其核心假設(shè)是EEG信號由多個獨立的源信號線性混合而成。通過ICA，可以將EEG信號分解為獨立成分，進(jìn)而識別并去除偽跡。

腦電信號中的獨立源信號成分

在 EEG 分析中，輸入矩陣 X 的行代表不同電極上記錄的 EEG 信號，列代表不同時間點的測量值。ICA 要找到一個 “分解” 矩陣 W，將多通道頭皮數(shù)據(jù)分解為時間上獨立且空間固定的分量之和，輸出數(shù)據(jù)矩陣 U = WX 的行就是 ICA 分量激活的時間過程。逆矩陣 inv（W）的列給出每個頭皮傳感器上各個分量的相對投影強度，賦予每種成分頭皮形貌，為成分的生理起源提供證據(jù)。

ICA將EEG進(jìn)行盲源分離

去除偽跡信號源后重新合成純凈EEG

ICA是目前最普遍用于去除EEG信號中眼電、肌電等偽跡的方法，優(yōu)勢在于能夠較為可靠的去除眼電、肌電偽跡。

HUIYING

其他源分解方法

經(jīng)驗?zāi)B(tài)分解（EMD）：自適應(yīng)的信號分解方法，把復(fù)雜信號分解為多個固有模態(tài)函數(shù)（IMF），通過分析 IMF 去除含偽跡部分再重構(gòu)信號，但存在模態(tài)混疊問題，影響偽跡去除效果。

小波分解：將信號分解到不同尺度和頻率的小波系數(shù)上，對系數(shù)進(jìn)行閾值處理去除偽跡后重構(gòu)信號，能在不同分辨率下分析信號，但選擇合適的小波基和閾值較困難。

常用腦電偽跡處理工具

1.EEGLAB

基于 Matlab 的腦電信號處理工具包，集成多種偽跡處理算法，如 ICA、濾波等。擁有直觀圖形界面，方便用戶導(dǎo)入、處理和分析腦電數(shù)據(jù)。還支持時間頻率分析、事件相關(guān)電位處理等功能，并提供豐富插件擴展，滿足不同研究需求。處理多通道腦電數(shù)據(jù)時，其 ICA 算法可快速分離出偽跡成分，方便用戶進(jìn)行去除操作。

2.FieldTrip

用于 MEG、EEG 等數(shù)據(jù)分析的 MATLAB 工具包，提供豐富的預(yù)處理和分析方法。在偽跡處理方面，支持濾波、壞通道修復(fù)等功能。支持多種數(shù)據(jù)格式，方便處理不同設(shè)備采集的數(shù)據(jù)。用戶可編寫 MATLAB 腳本，利用其高級函數(shù)實現(xiàn)個性化分析流程，滿足復(fù)雜研究需求。

3.MNE

基于 Python 的開源工具，用于探索、可視化和分析神經(jīng)生理數(shù)據(jù)。包含自動檢測和插值壞通道、ICA 等偽跡處理功能。

4.BrainVision Analyzer 2

專注于 EEG 數(shù)據(jù)分析，提供全面的偽跡處理工具（如圖）。在偽跡識別方面，有手動、自動和半自動模式。自動模式可通過設(shè)置梯度、幅度、最大-最小等標(biāo)準(zhǔn)自動檢測偽跡；半自動模式結(jié)合了自動檢測的客觀性和手動調(diào)整的靈活性。在偽跡處理方面，涵蓋濾波、重參考、ICA 等多種方法。對于 EEG - fMRI 等多模態(tài)數(shù)據(jù)中的特殊偽跡，還提供專門處理工具。處理同時包含多種偽跡的腦電數(shù)據(jù)時，能綜合運用多種工具，有效去除偽跡，提高信號質(zhì)量。

HUIYING

回映產(chǎn)品

了解多種腦電偽跡處理策略、技術(shù)及常用工具后，可知優(yōu)質(zhì)腦電采集設(shè)備對獲取高質(zhì)量腦電信號意義重大?？纱┐?2通道腦電采集儀就是這樣的產(chǎn)品，它創(chuàng)新采用type-C轉(zhuǎn)腦電電極，以簡單輕便方式實現(xiàn)32通道采集。其結(jié)構(gòu)與硬件特殊設(shè)計，不僅支持高原采集，還能減少環(huán)境因素導(dǎo)致的偽跡干擾，在復(fù)雜環(huán)境下穩(wěn)定采集信號，為后續(xù)準(zhǔn)確處理腦電信號、降低偽跡影響奠定良好基礎(chǔ)。

適用領(lǐng)域:多通道生理參數(shù)采集

基本參數(shù)

采樣率：≤16KSPS，每個通道獨立可控制；

共模抑制比：≥120dB

系統(tǒng)噪聲：≤5uVrms

模數(shù)轉(zhuǎn)換率：24位

輸入信號范圍：±375mVpp

通頻帶：直流耦合放大，保留全部低頻信號

事件同步輸入：無線同步，時間精度＜1ms

供電方式：可充電鋰電池

工作時間：單電池供電不低于4小時

優(yōu)勢：可支持高原環(huán)境采集