脑电分析之伪迹去除（以Analyzer和curry为例）
在上一篇文章中介绍到《EEG信号伪迹来源及可能原因分析》，当然有些伪迹的产生是无法避免的，但是有一些也是我们可以控制的。比如来源于受试者的部分伪迹以及设备带来的干扰伪迹，这些是可以在实验时可以有效的抑制的。另外，对于一些无法控制产生的伪迹，一般采用阈值的方法进行检测与剔除。
从去伪迹的角度来说，有三种主要的方法：1、避免伪迹产生；2、直接去除；3、阈值去除。
1、避免伪迹产生
这种方式的伪迹就是要避免来源的产生，对实验的环境及相关设备有一定的要求，具体的来源可参考《EEG信号伪迹来源及可能原因分析》 ,建设标准的实验室是非常有必要的。
2、直接去除
这是靠人肉眼去辨别数据损失的程度，是整段数据直接删除，还是这个受试者的数据就不要了。但通常靠肉眼去辨别只能去除一些明显的包含伪迹的信号，对于不是很明显伪迹则无法辨别。另外，对于像做BCI之类的实验需要实时的数据处理，进行特征选择，则无法实现。
3、阈值去除
这种方法是指从当前的脑电信号中识别并分离出伪迹信号，目前常见的，也是用的最多的。这种方式去除的数据是根据设定的标准检测出伪迹并将其标记出来，在后期的分析中可选择使用也可以选择不使用。
在analyzer中，有两种界面可进行伪迹的去除。
第一种方法：在“Transformations”下拉菜单中的选择“Raw Data Inspection”，按以下弹出窗口操作：
在“Inspection Method”一栏中
Manual Inspection：人工伪迹去除，
Semiautomatic Inspection：半自动伪迹去除
Automatic Inspection：全自动伪迹去除
IndividualChannel Mode复选框： 对于某个电极点而言，如果某一段超过 criteria所设置的标准话，那么之后的步骤中只剔除这一个电极点的数据。如 果不选，那么这一时间段上所有电极点的数据都将剔除。
在“Channels”一栏中，除了两导眼电信号外，其余的脑电信号导联应全部选择上。
在“Criteria”一栏中，设定半自动、自动分析的检测标准。
Gradient(x)：两个采样点的梯度变化值；
Max-Min(x)：波形变化最大绝对值；
Interval length: 设定时间段，在此时间段内波形允许的最大变化值。
Amplitude：波形变化刻度值；设置允许的最大电压值和最小电压值。
Low Activity(x)：波形最小变化值；在设定时间段内允许的最小变化值（大-小）
注意：如果是对分段前的连续脑电信号去伪迹的话，由于此时没有基线校正，检查标准中一般选择Max-Min标准而不做Amplitude这一标准，如果是在分段后做去伪迹工作的话则相反。
若选择的是半自动模式，在系统检测完之后，可观察按照标准所选出的伪迹，若认为系统所选择的某些“伪迹”并非伪迹的话，可按shift+鼠标单击去除这段被标记的“伪迹”；若有些伪迹没有被自动识别的话，也可shift状态下，单击两个端点。确定完之后单击OK即可。
第二种方式：在“Transformations”下拉菜单中的选择“Artifact Rejection”，这种方式是在分段后再进行伪迹去除，这两种方式可联合使用，也可单独使用，但是这种方式只能在分段后这个按钮才会激活，存在基线校正问题。按以下弹出窗口操作：
跟Raw Data Inspection窗口相比，多了interval，在这里可以设定伪迹检测的范围。
当设定阈值完毕后，确定OK后，analyzer软件会以红色的线标记在数据窗口，并会以bad Interval标记。
在curry 7中也有两种方式进行伪迹的去除。
第一种方法：手动直接剔除。这种方式是通过肉眼直接判断伪迹，存在较大的误差。慎用
在功能快捷窗口选择红圈的按钮，选择被认为伪迹起始位置与结束位置
同时在Bad Blocks中有四种判断的标准。
off：不执行操作。
constant：平线（零斜率）将bad前的最后一个数据点连接到block的第一个数据点。
Linear：倾斜率将bad前的最后一个数据点连接到block的第一个数据点。
Zero：0mv的直线数据
第二种方式：在Artifact Reduction中选择其中的一个数字，一般来说curry是将去眼电和去伪迹是合在一起的，如果窗口1是眼电的窗口，那么窗口2则会选择去伪迹的窗口，在Method中下拉菜单中选择Bad Blocks，同时在下方设定标准来去除伪迹。Lower/Upper指的是电压的振幅。软件默认是正负100微伏。
以上是伪迹剔除的方法及部分展示的软件操作步骤。当然在开源性软件EEGLAB或ERPLAB中也可以进行伪迹去除，在EEGLAB中主要使用的剔除方式是手动reject以及使用ICA独立分析成分，在ERPLAB中有可视化的图形界面窗口可进行阈值的设定。即使是在我前几天推荐的使用MNE-Python中也是可以进行，但是相比于今天所介绍的这两种来说，更容易上手。总之，无论哪种方式的伪迹去除，都不足采集最干净的原始数据为最佳方法。
本文部分内容参考网络资源，文章仅限学习使用，不用于商业行为，若有侵权及疑问，请后台留言！
Make brain technology more simple!
推荐阅读：