26、EEG信号伪影去除算法：基于信号统计和独立成分修正

EEG信号伪影去除算法：基于信号统计和独立成分修正

1. 引言

脑电图（EEG）信号蕴含着大量关于大脑功能的信息，其不同模式可用于脑部疾病识别，近年来还应用于脑机接口（BCI）系统。如今，对这些模式的自动识别备受关注。然而，EEG信号常被伪影污染，如眼动和肌肉运动伪影。在特征提取之前对这些信号进行微调并自动去除伪影是很有必要的。

在EEG信号记录过程中，会混入大量伪影，如电源线噪声、肌电图（EMG）、心电图（ECG）和眼电图（EOG）等。这些伪影会使信号难以读取或携带错误信息，导致自动疾病分类系统（或BCI）在分类过程中失败，医生也需要更多精力来解读信号。因此，研究人员致力于发明去除EEG信号伪影的算法，以加速和提升分类过程。已有的算法包括自适应滤波、主成分分析（PCA）、盲源分离（BSS）和独立成分分析（ICA）等。部分EEG记录系统配备额外电极来记录可能的伪影信号，可通过将这些额外通道投影到原始EEG通道或自适应滤波来去除伪影。但大多数EEG记录设备缺乏这些额外通道，且机器学习可用的EEG数据集通常仅包含原始EEG通道，因此需要其他技术来去除伪影。

2. 相关工作

• 基于ICA逆权重相关性的方法 ：通过找到与用户定义模板相似的ICA成分来识别伪影，眼相关伪影的重叠度（phi）>0.8，心跳伪影的phi <0.65。
• 基于分解信号幅度和相位统计的方法 ：用于抑制MEG/EEG信号中的伪影。
• Artifact Subspace Reconstruction（ASR）算法 ：