在上一篇系列文章中了解到，腦電信號(hào)反映大腦神經(jīng)元活動(dòng)，在神經(jīng)科學(xué)研究、臨床診斷、腦機(jī)接口等領(lǐng)域應(yīng)用廣泛。但腦電信號(hào)幅值微弱極易受偽跡干擾 。這些偽跡降低信號(hào)信噪比，增加數(shù)據(jù)變異性，導(dǎo)致實(shí)驗(yàn)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(dòng)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(guò)程也稱為腦電信號(hào)預(yù)處理，預(yù)處理通常包括剔除無(wú)用電極--濾波--重參考--基線校正--壞段剔除和插值分析--獨(dú)立成分分析等，目的是去除噪聲和偽跡，提高信號(hào)質(zhì)量。以下將介紹在此過(guò)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(guò)設(shè)置截止頻率,保留低頻腦電信號(hào)。處理肌肉活動(dòng)偽跡時(shí)，能有效去除高頻噪聲。

2.高通濾波：保留高頻信號(hào)，衰減低頻信號(hào)?？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(hào)，去除其他頻段信號(hào)。去除工頻干擾（如 50Hz 或 60Hz）時(shí)，能精準(zhǔn)保留腦電信號(hào)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(hào)，如 50Hz 或 60Hz 的工頻干擾，能在不影響其他頻率信號(hào)的情況下，有效抑制工頻噪聲。

5.自適應(yīng)濾波：根據(jù)信號(hào)變化自動(dòng)調(diào)整濾波器參數(shù)。處理眼電偽跡時(shí)，將眼電信號(hào)作為參考信號(hào)，實(shí)時(shí)估計(jì)噪聲并從原始信號(hào)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(gè)體或設(shè)備在采集腦電信號(hào)時(shí)，由于參考電極的差異，會(huì)造成信號(hào)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(lái)源的數(shù)據(jù)具備可比性。

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

腦電信號(hào)處理中常見(jiàn)參考點(diǎn)

信號(hào)A(細(xì)線)和B（粗線）在不同參考點(diǎn)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(diǎn)，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(diǎn)，避免采用噪聲高的參考點(diǎn)。通常情況下采用平均乳突或平均耳垂作為參考。

基于信號(hào)分解的方法

1.獨(dú)立成分分析（ICA）：

ICA是一種基于統(tǒng)計(jì)學(xué)的盲源分離技術(shù)，其核心假設(shè)是EEG信號(hào)由多個(gè)獨(dú)立的源信號(hào)線性混合而成。通過(guò)ICA，可以將EEG信號(hào)分解為獨(dú)立成分，進(jìn)而識(shí)別并去除偽跡。

腦電信號(hào)中的獨(dú)立源信號(hào)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(hào)，列代表不同時(shí)間點(diǎn)的測(cè)量值。ICA 要找到一個(gè) “分解” 矩陣 W，將多通道頭皮數(shù)據(jù)分解為時(shí)間上獨(dú)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(shí)間過(guò)程。逆矩陣 inv（W）的列給出每個(gè)頭皮傳感器上各個(gè)分量的相對(duì)投影強(qiáng)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(hào)源后重新合成純凈EEG

ICA是目前最普遍用于去除EEG信號(hào)中眼電、肌電等偽跡的方法，優(yōu)勢(shì)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(yàn)?zāi)B(tài)分解（EMD）：自適應(yīng)的信號(hào)分解方法，把復(fù)雜信號(hào)分解為多個(gè)固有模態(tài)函數(shù)（IMF），通過(guò)分析 IMF 去除含偽跡部分再重構(gòu)信號(hào)，但存在模態(tài)混疊問(wèn)題，影響偽跡去除效果。

小波分解：將信號(hào)分解到不同尺度和頻率的小波系數(shù)上，對(duì)系數(shù)進(jìn)行閾值處理去除偽跡后重構(gòu)信號(hào)，能在不同分辨率下分析信號(hào)，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(hào)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(shí)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(kuò)展，滿足不同研究需求。處理多通道腦電數(shù)據(jù)時(shí)，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(jí)函數(shù)實(shí)現(xiàn)個(gè)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(dòng)檢測(cè)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(shí)別方面，有手動(dòng)、自動(dòng)和半自動(dòng)模式。自動(dòng)模式可通過(guò)設(shè)置梯度、幅度、最大-最小等標(biāo)準(zhǔn)自動(dòng)檢測(cè)偽跡；半自動(dòng)模式結(jié)合了自動(dòng)檢測(cè)的客觀性和手動(dòng)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(duì)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(shí)包含多種偽跡的腦電數(shù)據(jù)時(shí)，能綜合運(yùn)用多種工具，有效去除偽跡，提高信號(hào)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(duì)獲取高質(zhì)量腦電信號(hào)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(jiǎn)單輕便方式實(shí)現(xiàn)32通道采集。其結(jié)構(gòu)與硬件特殊設(shè)計(jì)，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(hào)，為后續(xù)準(zhǔn)確處理腦電信號(hào)、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(gè)通道獨(dú)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(hào)范圍：±375mVpp

通頻帶：直流耦合放大，保留全部低頻信號(hào)

事件同步輸入：無(wú)線同步，時(shí)間精度＜1ms

供電方式：可充電鋰電池

工作時(shí)間：?jiǎn)坞姵毓╇姴坏陀?小時(shí)

優(yōu)勢(shì)：可支持高原環(huán)境采集