EEG伪影详解和过滤工具的汇总(二)

Original Rose 脑机接口社区 2022-04-26

在《EEG伪影类型详解和过滤工具的汇总(一)》，我们详细介绍了EEG伪影类型和产生原因，这篇文章，我们主要介绍常见脑电伪影的处理技术。

脑电伪影过滤技术(通过数据分析)根据数据分析，处理伪影主要有四种方法：
1

脑电伪影剔除

第一种方法是对带有伪影的脑电周期进行选择和剔除。不同的技术定义了一种模式(通常是上述伪影之一)来选择要去除的脑电图epoch。模式识别方法的范围从脑电图专家的目视检查，到在时域或频域的自动统计(Nolanet al., 2010)。例如，在ERPs协议中，自己可以定义一个统计阈值，以删除振幅明显更高的试验。

剔除是一种非常昂贵的方法，因为虽然它可以消除几乎所有的伪影，但同时也消除了该epoch的所有有价值的EEG信息。通常，你会尽可能保留更多的脑电图数据，特别是当记录很短的时候。
2

过滤

这些技术的目标是消除伪影，同时保持尽可能多的EEG图信息。这种分类包括以下技术：简单的线性滤波器去除某些频段(Panych et al ., 1989)；回归方法使用参考信号从EEG中去除EOG或ECG信号(Wallstrom et al ., 2004),自适应滤波器与参考信号(Marque et al ., 2005),维纳滤波器(Sweeney et al ., 2012)或贝叶斯过滤器(Sameni et al ., 2007)。

例如，我们可以使用线性滤波器去除50 Hz或60 Hz的交流电干扰。这也将消除EEG信息(脑电波)，不过，这种高频通常不是EEG研究的重点。另一个示例是使用EOG信号作为参考通道，以通过回归或自适应滤波器从受污染的EEG信号中去除这些信息。

回归方法假设记录的脑电图是真实脑电图和伪影(EOG)的结合。回归滤波器计算在单个EEG通道中存在的参考(EOG)的比例，并将其减去。

盲源分离

这些是分离技术，试图将脑电图分解成基于不同数学考虑(如正交性或独立性)的信号源的线性组合。目前最流行和有用的技术是独立成分分析(ICA)(Choi et al.， 2005)，它将EEG线性分割成数学上独立的分量或源。由于噪声通常不相关且独立于脑电信号源，因此我们可以观察到某些成分包括伪影信息。

例如，可以通过标记噪声源(手动或通过机器学习技术将其标记为MARA)来消除EOG或EMG伪影(Winkler etal ., 2011)，然后将其删除并从其余部分线性重建干净的EEG数据。

盲信源分离方法的优点是它不需要参考信道，也不需要任何关于噪声的先验信息。该方法的主要缺点是采用完整的脑电信号矩阵而不是通道滤波，并且当通道数量减少或可用的EEG数据较少时效果不佳。
4

源分解方法

这些方法将每个单独的通道分解为基本波形，剔除含有伪迹的波形，重建脑电信号的干净通道。这些方法的主要例子是小波分解(Unser & Aldroubi, 1996)，以及一些较少研究的变体，如经验模式分解(EMD)(Safieddine et al.，2012)或非线性模式分解(NMD)(Iatsenko et al.2015)。

在小波分解中，每个通道的信号被分解为不同尺度的系数和所选小波的漂移(“mother”)。为了对信号进行滤波，在分解后对部分系数进行阈值处理，然后对信号进行重构。

这些方法的主要优点是我们可以在通道级别保留EEG数据。主要缺点是我们需要找到正确的基本波形(小波，固有模式函数，非线性模式)来分解噪声，以便能够获得阈值系数，仅去除伪影而不去除EEG数据。它们也更加复杂，并且仍在研究中。

EEG伪影滤波技术(在线/离线操作)这些技术的一个重要方面是它们是离线运行还是在线运行(Ismal et al., 2016)。脱机方法不是自动的，需要人工干预，因此不能集成到自主运行的系统中。例如，用视觉检查来剔除脑电图epoch或人工成分/源的视觉选择都是需要专家监督的离线方法。

在线方法可以完全自动化和集成在一个系统,自动运行。例如，使用参考信号作为回归或自适应滤波器的方法可以轻松地在线运行。另外，对于信号分解过程，如盲信源分离或信源分解方法，可以通过在干净的脑电数据中建立一定的阈值或统计阈值来自动去除信号成分。

EEG伪影去除软件有几个工具箱和库可用的脑电图信号滤波。在这里，我们将只介绍一小部分，。它们都是可以独立于采集数据的EEG系统使用的软件库:

EEGLAB (EEGLAB, EEGLAB Wiki)：这是一个交互式Matlab工具箱，用于处理连续的和事件相关的EEG，MEG和其他电生理数据。它包括诸如独立成分分析(ICA)或伪影去除之类的过滤技术，可以下载多个过滤插件来增加工具箱的潜力。它还包含时间/频率分析，事件相关的统计信息以及平均和单次试验数据的几种可视化模式。

FieldTrip(FieldTrip工具箱)：这是用于MEG，EEG，iEEG和NIRS分析的MATLAB工具箱。它提供了预处理技术和分析方法，例如时频分析或使用偶极子进行源重构。它支持所有主要MEG系统以及最流行的EEG，iEEG和NIRS系统的数据格式，并且可以轻松添加新的数据格式。

MNE：用于探索，可视化和分析人类神经生理学数据的开源Python软件：MEG，EEG，sEEG，ECoG等。该软件背后有一个不断发展的社区，并且已经开发了多个python软件包来添加图形用户界面，自动不良通道检测和插值，独立成分分析(ICA)，连通性分析，MEG / EEG信号的通用统计分析或预处理管道(PREP)的python实现，适用于EEG数据。
参考

Akhtar, M. T., Mitsuhashi, W., & James, C. J. (2012). Employing spatially constrained ICA and wavelet denoising, for automatic removal of artifacts from multichannel EEG data. Signal processing, 92(2), 401-416.
Bell, A. J., & Sejnowski, T. J. (1995). An information-maximisation approach to blind separation and blind deconvolution. Neural Computation, (February 1995), 1004–1034.
Choi, S., Cichocki, A., Park, H. M., & Lee, S. Y. (2005). Blind source separation and independent component analysis: A review. Neural Information Processing-Letters and Reviews, 6(1), 1-57.
Clark, J. W. (1998). The origin of biopotentials. Medical instrumentation: application and design, 3, 121-182.
Correa, A. G., Laciar, E., Patiño, H. D., & Valentinuzzi, M. E. (2007). Artifact removal from EEG signals using adaptive filters in cascade. In Journal of Physics: Conference Series (Vol. 90, No. 1, p. 012081)
Iatsenko, D., McClintock, P. V., & Stefanovska, A. (2015). Nonlinear mode decomposition: a noise-robust, adaptive decomposition method. Physical Review E, 92(3), 032916.
Ismal, K., Rastegarnia, A., & Yang, Z. (2016). Methods for artifact detection and removal from scalp EEG: A review. Clinical Neurophysiology, 46, 287–305.
Marque, C., Bisch, C., & Dantas, R. (2005). Adaptive filtering for ECG rejection from surface EMG recordings. Journal of Electromyography and Kinesiology, 15, 310–315.
Mijovic, B., De Vos, M., Gligorijevic, I., Taelman, J., & Van Huffel, S. (2010). Source separation from single-channel recordings by combining empirical-mode decomposition and independent component analysis. IEEE transactions on biomedical engineering, 57(9), 2188-2196.
Nolan, H., Whelan, R., & Reilly, R. B. (2010). FASTER : Fully Automated Statistical Thresholding for EEG artifact Rejection. Journal of Neuroscience Methods, 192, 152–162.
Nunez, P. L., & Srinivasan, R. (2006). Electric fields of the brain: The neurophysics of EEG. Oxford: Oxford University Press.
Panych, L. P., Wada, J. A., & Beddoes, M. P. (1989). Practical digital filters for reducing EMG artefact in EEG seizure recordings. Electroencephalography and Clinical Neurophysiology, 72, 268–276.
Safieddine, D., Kachenoura, A., Albera, L., Birot, G., Karfoul, A., Pasnicu, A., Biraben, A., Wendling, F., Senhadji, L. & Merlet, I. (2012). Removal of muscle artifact from EEG data: comparison between stochastic (ICA and CCA) and deterministic (EMD and wavelet-based) approaches. EURASIP Journal on Advances in Signal Processing, 2012(1), 127.
Sameni, R., Shamsollahi, M. B., Jutten, C., & Clifford, G. D. (2007). A Nonlinear Bayesian Filtering Framework for ECG Denoising. IEEE Transactions on Biomedical Engineering, 54(12), 2172–2185.
Sörnmo, L., & Laguna, P. (2005). Bioelectrical Signal Processing in Cardiac and Neurological Applications (Vol. 1). Elsevier.
Sweeney, K. T., Member, S., Ward, E., Member, S., Mcloone, F., & Member, S. (2012). Artifact Removal in Physiological Signals — Practices and Possibilities. IEEE Transactions on Information Technology in Biomedicine, 16(3), 488–500.
Unser, M., & Aldroubi, A. (1996). A review of wavelets in biomedical applications. Proceedings of the IEEE, 84(4), 626-638.
Urigüen, J. A., & Garcia-Zapirain, B. (2015). EEG artifact removal — state-of-the-art and guidelines. Journal of Neural Engineering, 031001(12).
Wallstrom, G. L., Kass, R. E., Miller, A., Cohn, J. F., & Fox, N. A. (2004). Automatic correction of ocular artifacts in the EEG : a comparison of regression-based and component-based methods. International Journal of Psychophysiology, 53, 105–119.
Winkler, I., Haufe, S., & Tangermann, M. (2011). Automatic Classification of Artifactual ICA-Components for Artifact Removal in EEG Signals. Behavioral and Brain Functions, 7(1), 30.