伪迹去除的方法

前面的章节介绍了在脑电测试过程中尽量减少运动伪迹干扰。该小结主要介绍通过数字信号处理方法来降低伪迹干扰。对于脑电信号来说，数据事后处理分析方法选择主要取决于信号的维度（即通道数目）。多通道数据携带更多的信息，因此从统计学角度来说，数据分析更可靠。但是多通道意味着更多的数据量，对计算机的计算能力也提出了较高的要求。在对脑电进行分析时，头皮电极兴趣区的选取也具有意义，例如，头皮中央的感觉运动皮质区远离颅骨的肌肉区域，并且不受眨眼伪迹影响。基本的数字滤波也能够帮助从原始的脑电信号中分离出有用的频率成分，例如，高频θ波和α波（6～13Hz）容易受低频成分（运动、眨眼、出汗）和高频成分（肌电和外界环境的电干扰）的影响。另外一种处理方法是可以使用自回归频率分析法，这种分析方法在受到运动和噪声干扰的脑电数据分析中更稳定，而传统的傅立叶为基础的频谱分析在低幅值信号情况下会有频率缺失的情况发生，而且会导致较低的信噪比。随着信号处理技术的发展，在处理信号伪迹方面也有新的技术不断出现。例如，独立成分分析（independent component analysis，ICA），该技术是由Bell和Sejnowski在1995年提出。但是目前，关于使用ICA技术去除体育运动或运动训练引起运动伪迹方面的研究还较少。在最近的一项研究中，将ICA技术应用在校正fMRI期间的运动伪迹。但是无论如何，ICA在研究人体运动时的脑电特征时，在去除运动伪迹方面提供了一个好的前景。实际上，ICA技术是一种高级的统计学方法，主要用来在混合信号中提取出特征信号（作为信号中的一种特殊成分），这种计算方法是建立在不同物理过程会产生不相关信号假设基础之上。鉴于ICA的目的主要是将蕴含在信号中的源信号（这种源信号被认为一段时间内在统计学上是独立存在的）分离出来，因此，它需要相对长的数据量（脑电的采样量）以及较多的脑电通道数目（ICA中产生的源数目直接受记录电极数目的限制）。即使使用现代新进的计算机系统，ICA公式计算依然需要几分钟到几个小时（EEG数据量非常大）的时间来计算ICA的不同成分。除了需要假设信号源的独立性，在使用ICA计算公式进行成分计算时还需要考虑两点。首先，蕴含的源成分必须是非高斯分布，即这些成分必须呈现非正态分布（其他的技术不需要这种分布特征）。其次，这些源成分应该是静态的，即这些源成分应该始终来自一个固定的位置。已经有很多研究使用ICA技术去除肌肉收缩时引起的伪迹、眨眼干扰和运动伪迹干扰、噪音干扰以及心电成分干扰。图4-7为使用ICA技术从原始EEG信号中提取眨眼成分的效果。从图中可以看出，使用ICA技术提取出眨眼伪迹以及去除眼电伪迹干扰后的校正EEG信号。

图4-7　利用ICA在原始EE光信号中去除眼电干扰

不同的ICA计算公式对不同类型的干扰具有不同的效果。目前ICA主要有3种计算方法，分别为Infomax、SOBI、FastICA和JADE。例如，JADE算法主要适合去除肌肉产生的肌电伪迹。要想达到最佳的去除伪迹的效果，最好使用1种或者2种的ICA计算方法。ICA比其他传统方法好的最大优势就是能够将伪迹成分从原始信号中线性地减掉，理论上对原始信号没有任何的损失和扭曲。在这里不得不提的是，在matlab工具箱EEGlab中嵌入了ICA方法，这种一款免费公开的工具箱。在EEGlab中，ICA使用的是Infomax计算法，主要用于去除伪迹和ERP分析。EEGlab工具箱的一个特点是能将不同受试者头皮脑电信号中蕴含的相同成分进行确认并且进行归类。去除伪迹的动机主要是得到一个没有干扰的稳定的脑电信号，这就是ICA所能做到的，它可以将不同受试者原始脑电信号中感兴趣的成分进行分离并且进行聚类（例如，研究额中线位置的θ波、μ波或者顶区的α波），这种方法不仅可以提取出复杂的伪迹成分，也可以在比较分析不同个体或不同条件下时将个体差异和误差降到最低，因为每一个人在脑电帽佩戴时不可避免地引起一定的误差。ICA能够在EEG数据维数（通道数目）与计算机计算方面提供折中的选择。事实上，数据维数越多（通道数目）其产生的成分越多（数据越复杂也越准确），但是，需要更多的计算时间。对于固定的通道数目来说，有一些成分被“浪费”在了伪迹中，因此，剩下的大脑成分不能被清晰地计算出来。那么有效的折中方法就是使用中等数目的通道数目（选择维数不要太高）（例如，21或者31），执行ICA提取除主要的伪迹成分后，再对去除伪迹后的数据再次运行ICA。这样可以在不包含伪迹条件下，方便地保留下最大数目的有效成分。