EEG波形伪迹去除方法，本文主要内容关键词为：波形论文,方法论文,EEG论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
脑电(electroencephalogram,EEG)是从人类或动物的头皮上记录到的电位变化，主要反映大脑的电活动特性。自Berger于1929年创立通过头皮电极观测人脑EEG的方法以来[1]，EEG的记录技术和实际应用都取得了重大进展。特别是20世纪50年代末出现的事件相关电位(event-related potentials,ERP)方法，它揭示了脑电波与心理事件之间的锁时(time-lock)关系，为观察脑的高级功能开辟了新的途径。由于EEG时间分辨率较高，能在毫秒级水平上精确地反映大脑的时变特性，适于对认知加工过程中的信息加工机制进行合理构建，因此被广泛应用于如知觉、记忆、思维、情绪等心理学研究中[2]。然而同样由于EEG本身的时变敏感性，其心理加工信号易被无关噪音污染，形成了各种EEG伪迹(artifacts)。如何有效地去除伪迹？这一直困扰着EEG和ERP分析技术的发展，并限制了它们在心理学研究中的应用。
1 EEG的伪迹
头皮电位的主要信号源是大脑皮层Ⅲ层和Ⅳ层的锥体细胞[3]。多种神经元群的同步激活放电经过同向树突、突触和神经振荡等环节的传递后，在头皮上产生可以检测到的EEG节律活动。然而EEG记录可能会因受各种噪音源的污染而变得模糊不清，形成了信号与噪音相互混杂的伪迹。EEG的主要噪音源可以分为记录系统噪音和无关电生理信号噪音两大类。前者主要有电极故障伪迹(electrode pop artifact)、金属伪迹(metal artifact)和静电伪迹(static electricity artifact)等，这些伪迹比较易于识别，并且可以通过精心设计记录系统和严格遵守记录程序来加以避免。
然而EEG也可能受到一些无关电生理信号的干扰。这些噪音一般来自于被试的一些生理或心理活动，主要有眼电伪迹(ocular artifacts,OA)、舌电伪迹(glossokinetic artifacts)、肌电伪迹(muscle artifacts)、脉搏伪迹(pulse artifacts)和出汗伪迹(sweating artifacts)等。例如，人的眼睛好像一个充电电池，角膜表面为阳性，视网膜表面为阴性。眼球不动时为产生直流信号，脑电仪记录不到；当眼球运动时，则产生波幅较大的交流信号。所以眼球运动(eye movement)或眨眼(blinking)会引起较大的电位变化，形成了眼电(electro-oculogram,EOG)。一部分眼电波沿颅骨传播，在脑电图上产生明显的偏转，形成伪迹。再如，带负电的舌尖与带正电的舌根构成了另一对电极，所以在一些需要言语反应的实验中舌电伪迹也很难去除。
2 伪迹去除方法
在计算机系统和统计方法介入脑电伪迹识别领域之前，研究者多采用实验控制来处理伪迹。比如在实验过程中呈现注视点，要求被试尽量减少和避免眨眼、眼动、吞咽、四肢运动等。但这些方法的缺点在于有些被试（特别是儿童或者病人）的无意运动难以控制，而且有些实验需要被试进行外显反应。再者，上述要求构成了被试的附加任务，会影响到实验任务的绩效[4]。另一种常用方法是数据剔除(rejection)，即把与伪迹在峰值、斜率或方差等波形特征上相似程度较高的EEG波形予以剔除。但在实际操作中，剔除标准具有一定的主观性，并且有时会导致数据大量流失。此外研究者事先很难知道被试在实验中的伪迹信号源（如肌肉、眼睛）及其活动方式，因此很难比较彻底地去除伪迹。所以如果数据量有限或者伪迹信号源活动过于频繁时，该方法就难以适用。
2.1 回归方法
Gratton等(1983)[5]、Hillyard等(1970)[6]和Verleger等(1982)[7]分别提出了几种基于时域的脑电伪迹去除方法，主要用于去除眼电伪迹。眼电伪迹可分为眼动伪迹和眨眼伪迹两种。眼动伪迹是由眼球电极方向的变化引起的，而眨眼伪迹是由眼皮与角膜的接触引起的。两种伪迹都随着电极与眼睛距离的加大而变小，但眼动伪迹的衰减速度较为缓慢，因此在头顶电极上记录的脑电波中眼动伪迹强度是眨眼伪迹强度的两倍。这种眨眼和眼动的眼电／脑电扩散函数(EOG/EEG transfer functions)的差异会导致对眨眼伪迹的校正过度。因此Oster和Stern(1980)发现回归方法还会为EEG引入新的伪迹[8]。
Whitton等(1978)[9]和Woestenburg等(1983)[10]提出基于频域的回归方法。这种方法可以解释与频率相关的眼电／脑电扩散函数，但这种方法在实际中难以使用。Kenemans等(1991)提出了时域的多重滞回归方法(multiple-lag regression method)，以同时解释眼电／脑电扩散函数的时间和频率相关性[11]。
以上回归方法的共同前提是建立一个正确的回归导联（regressing channel，如EOC)，其共同障碍是眼电信号和EEG信号的激活扩散都具有双向性(bidirectionality)。因此这些方法将会错误地去除某些含有伪迹的EEG信号。
2.2 伪迹减法
伪迹减法(artifact abstraction)是最早应用也是最直观的方法。它从受污染的EEG中直接去除伪迹成分，以抵消掉各噪音信号源引起的伪迹效应[12]。减法程序需要对伪迹进行合理建模，一部分调整操作是通过手工进行的，具有主观性。它的算法是建立在下列假设之上的：(1)记录到的（受污染的）EEG是真实（未污染的）EEG和伪迹的线性联合；(2)伪迹信号源可以由伪迹本身推算出来；(3)EEG和伪迹信号之间无相关。伪迹减法易于使用，但它不能完整地恢复EEG波形。一部分EEG也会影响到伪迹，所以这种减法与基于回归的方法一样，也会错误地排除掉某些EEG成分。
将伪迹减法的原理应用于眼电伪迹的去除过程中，就称为EOG减法。其基本模型为：
其中
表示受污染的EEG波形，
表示真实的EEG波形，EOG表示眼电伪迹，三者的后缀i表示N点数据中第i个数据，
表示EOG的权重。
为了提高伪迹减法的效果，Berg和Scherg提出了一种“多源眼电校正(multiple source eye correction)”程序[13]。他们首先计算出不受EEG影响的EOG成分，然后从EEG中去除该成分。这一方法的缺点是必须对脑电信号在头皮上的传播路径进行合理建模。近年来，也出现了用以去除眼电的自适应过滤方法。例如Rao和Reddy(1995)按这一思路，采用非线性递归最小二乘法(non-linear recursive least squares technique)来训练过滤器，开发了可以实时去除眼电伪迹的系统[14]。但该方法必须选用合适的EOG参照模型进行训练，并且仍然有赖手分析者的经验。
2.3 主成分分析
主成分分析(PCA)是一种多元数据分析方法，它利用正交分解原理将一组相关变量转化成为另一组相互独立的变量（即主成分）。PCA在EEG在各导联分布的基础上，可以把多导联的EEG分解为相互独立的成分。去掉不需要的伪迹成分（如眼电），再重构EEG，就可以降低它的受污染程度。Lagerlund等(1997)开发了PCA的一种变体，将PCA系数存放在一个矩阵中。他们首先在一段包含噪音成分的典型EEG波形上计算出该系数矩阵。然后将该矩阵应用于以后各段，从而简化了PCA的运算[15]。
Berg和Scherg(1991)用PCA方法对眼电伪迹的去除效果进行了研究。他们首先在被试完成眼动和眨眼任务时记录EEG和EOG信号。再计算出这些信号的主成分，作为眼动和眨眼伪迹的主成分。然后从混合信号去除该成分，得到校正后的信号。他们的研究表明PCA在效果上显著优于回归方法和偶极子方法(dipole models)[16]。
PCA的主要缺点在于：(1)在信号和噪音波形具有相似的电位时，难以从EEG中去除伪迹；(2)它只对正交的信号源比较有效；(3)它只适合于分解低阶相关信号，难以分解高阶的相关信号。
2.4 独立成分分析
为了克服PCA的上述缺陷，Makeig等(1996)用独立成分分析(ICA)来去除EEG中的眼电伪迹[17]。而Bell和Sejnowski早在1995年就在信息理论的基础上，提出了包含学习规则的扩展ICA算法[18]。
他们的ICA算法有以下步骤（如图1，图中列出了只有两个信号源的ICA运算）：
S表示信号源，混合物X=AS,A即混合矩阵。将去混合矩阵W作用于混合物X即可得到信号U，将之用非线性转函数g(U)转化即可得到信号输出Y。经学习规则多次循环后可得量终输出信号。
图1 两个信号源的ICA运算
(1)首先将去混合矩阵(unmixing matrix)W初始化为单位矩阵；
(2)用模型来估计信号源。这里
(3)而后将U用非线性转换函数进行转换，得到初步输出信号Y。例如采用S形转换函数，则输出结果为：
，其中
为初始权重向量。
(4)通过学习规则信号Y加工，以达到信号联合熵(joint entropy)的最大化（使信号间的重叠程度最低），进而确定下一次循环中的W向量。
(5)循环进行步骤(2)、(3)、(4)，重复修改W权值直至达到规定标准。
ICA的优点在于不需要信号源物理位置的先验知识，也不要求各信号源必须正交。然而Makeig等提出的ICA算法只适合于超高斯分布的信号源（不规则发生的信号，分布突起较高，峰值为正）。Lee和Sejnoski(1997)发展了ICA算法，将之应用于次高斯分布(subGaussian distribution，峰值为负[19]。在实际应用中，ICA算法较为复杂，难以满足某些实时脑电分析的要求，但它去除伪迹的精度较高，所以对心理学研究具有较高实用价值。
2.5 JADE法
在特征矩阵的联合近似对角化(joint approximate diagonalisation of eigenmatrices,JAIDE)基础上，Cardoso(1999)提出了一种新的信号分离方法[20]。JADE算法为了分离混合信号，采用了信号的四阶矩(fourth-order moments)。
JADE的运算步骤如下（见图2）：
图2 JADE的运算过程
(1)估计混合信号A的协方差矩阵(covariance matrix，
)。算法假设所有信号源(S)都可以标准化为单位方差，以在混合矩阵A中保留信号幅度信息。在此条件下，
。
Vigon等(2000)在实际运用中发现JADE和扩展的ICA在去除眼电伪迹方面均优于EOG减法，而且JADE在运算复杂性和速度上均优于扩展ICA[1]，预示着JAIDE有良好的应用前景，但JADE与ICA一样，也要求信号源在统计上尽量相互独立。
3 小结与展望
脑电波记录(EEG)具有较强的时间分辨率在知觉、注意、记忆等心理学研究和临床实践上都具有重要的应用价值和发展前景。但伪迹是一直困扰EEG研究效度的重要因素，其中眼电(EOG)伪迹对EEG影响最为严重，也得到了研究者的广泛重视。传统的实验控制方法和数据剔除方法在绩效上并不理想，而且程序比较繁琐，很难在实时环境中得到应用。最近兴起的脑电伪迹去除方法中，伪迹减法比较直观、易于操作，但须事先对伪迹建模，并且实际效果不佳；各种回归方法都有可能将某些含有伪迹成分的脑电波去掉；主成分分析(PCA)、独立成分分析(ICA)和JADE使用统计技术识别伪迹成分，减少了数据丢失，但要求各信号源之间相互独立，并且受到信号分布状态的限制。因此这些技术都是针对不同的问题提出的，只适用于满足其前提假设的情境。如何发展一种比较通用、实时、高效和稳定的伪迹去除技术，对于心理学的脑电研究具有重要的理论与应用价值。
此外，多数EEG校正技术集中于眼电伪迹的去除，而针对肌电、舌电、脉搏、心电等伪迹的研究较为少见。随脑电波记录的日益精密和相关研究的深入，如何去除这类伪迹也成为发展脑电分析技术的关键所在。