腦電圖偽影

EEG 偽影的兩大基本類別

EEG 記錄中每一個不需要的波動都源於兩個起源之一。受試者相關（或生理性）偽影是由參與者自身的身體所產生。這些包括眨眼、肌肉緊張、心跳和汗腺活動，所有這些都會產生電場，並被頭皮電極與真實的大腦活動一同接收。

技術性（或非生理性）偽影源自記錄設備和環境。電極鬆動、電纜晃動、放大器飽和以及市電干擾都屬於這第二類。

區分這兩大類別是首先要掌握的技能，因為其預防和消除策略存在本質上的不同。咬緊牙關產生的肌肉突發信號所需的干預措施，與通過屏蔽不良的電纜進入的週期性 60 赫茲嗡鳴聲截然不同。

如何識別受試者相關偽影

眨眼

眼睛的作用類似於一個微型電池。相對於視網膜，角膜帶正電荷，形成一個角膜-視網膜偶極子。當參與者眨眼時，眼瞼掃過這個偶極子並將正電場向上拉動，在最靠近眼睛的額葉電極處產生較大的正電壓偏轉。

在時域訊號軌跡中，眨眼表現為高振幅的慢波，在額極通道（如 Fp1 和 Fp2）達到最大值，然後朝向中央或後部導聯方向急劇衰減。由於該波形非常典型，經過訓練的眼睛幾乎能立刻識別出來。

眼球運動與眼跳棘波

當眼睛在沒有眨眼的情況下發生側向運動時，角膜-視網膜偶極子會旋轉而不是被覆蓋。這會在眼電圖訊號中產生階梯狀的偏移，並可能滲透到鄰近的 EEG 通道中。

此外，眼外肌在眼跳過程中的快速收縮會產生短暫而尖銳的電暫態，稱為眼跳棘波電位。在原始訊號軌跡上，這些棘波可能與癲癇樣活動極為相似。它們通常僅限於額葉和顳葉電極，並與凝視方向的改變重合。

識別它們可以防止錯誤的臨床判斷，並避免不必要地捨棄原本乾淨的神經數據。棘波的短暫性、與水平或垂直眼球運動的相關性，以及缺乏後續慢波的特點，有助於將其與真實的皮質放電區分開來。

肌肉活動

頭皮、面部和頸部肌肉是高頻電噪聲的大量產生源。當參與者咬緊牙關、皺眉，甚至是頸部緊繃時，運動單元動作電位會異步放電並疊加成棘狀、不規則的干擾模式。

在時域中，肌肉偽影看起來像是疊加在 EEG 之上的快速突發尖銳、低振幅偏轉，通常在顳葉或額葉電極上最為突出。其頻率成分主要在 20 Hz 以上，深入許多認知測量所在的 beta 和 gamma 頻段，這對精神狀態監測和腦機介面應用來說特別棘手。

電極間距較密的高密度 EEG 設置有助於定位肌肉來源，但第一道防線是指導參與者放鬆並為頭部提供物理支撐。

出汗與皮膚電轉移

由於汗腺活動引起的皮膚電導變化會改變電極與皮膚的接觸面。這會引起基線電壓非常緩慢、平滑的漂移，通常低於 1 Hz，並可能持續遊走數秒。

這種偽影不表現為棘波或節律性嗡鳴，而是整個訊號軌跡平緩、波浪狀的起伏。這在長時間記錄、溫暖環境或焦慮的參與者中最常見。這種低頻干擾可以透過保持穩定的室溫和確保良好的電極接觸來進行管理。

心臟訊號

心臟的電場強大到足以傳導至頭皮，特別是在電極阻抗較高或參考電極位於乳突或耳垂附近的血管旁時。

產生心電圖偽影表現為以心率（約每秒一次）重複的規則、尖銳 QRS 波群。它通常以一致的時間偏移同時滲入多個通道，而針對寬頻譜偽影特徵訓練的分類器可以將其與其他污染物一起檢測出來。

如果心臟波形可見但未壓倒其他訊號，通常可以透過記錄專門的 ECG 通道進行減除；否則，可能需要手動剔除受影響的片段。

在訊號軌跡中識別技術性偽影

電極突跳與運動相關棘波

凝膠橋變乾、電纜被拉扯或電極移位導致阻抗突然變化，會產生突然且陡峭的暫態，通常稱為突跳（pop）。這屬於像 ADJUST 這類自動化演算法旨在標記的「常規不連續性」類別。

在時域中，電極突跳通常表現為極大振幅的孤立棘波，可能會使放大器飽和，使訊號短暫拉平，然後緩慢恢復。與生物棘波不同，它周圍沒有持續的生理活動，並且通常出現在單個通道上，因此在目視檢查時很容易識別。

Hagmann 等人進行的一項新生兒 EEG 研究同樣記錄了頻繁的運動干擾改變了振幅整合訊號軌跡，強調即使是短暫的物理擾動也會造成可測量的污染。

市電干擾

電源對記錄設備的電容耦合會在市電頻率（歐洲及全球大部分地區為 50 Hz，北美為 60 Hz）產生連續、有節律的「嗡鳴聲」。

在原始 EEG 訊號軌跡上，這種干擾表現為疊加在每個通道上的粗正弦波，通常具有一致的振幅。即使是少量的工頻噪聲也會掩蓋低電壓的大腦節律，它的存在預示著電極阻抗、屏蔽或接地存在問題。

它無疑是技術性偽影，而不是神經振盪，其固定頻率使其肉眼或藉助簡單的頻譜圖即可輕易識別。

鬆動電極與電纜移動

當電極未牢固貼附在頭皮上或其電纜在記錄過程中晃動時，機械擾動會引入不規則的低頻波動。這些在單個通道上可能表現為緩慢、不規則的漂移或高振幅不規則波的爆發。

其零星的性質以及僅局限於單個電極的特點，能立即將這種偽影與眨眼或肌肉緊張等廣泛的生理事件區分開來。即時標註這些時刻可以縮小不良數據片段的搜尋範圍，從而在日後節省大量工作量。

在記錄期間預防和記錄偽影

最有效的偽影管理策略早在保存第一個數據點之前就已經開始了。

放鬆的參與者所產生的肌肉和眼球運動偽影會顯著減少。因此，應花時間解釋測試流程，提供配有頭部支撐的舒適椅子，並為眼睛提供穩定的注視點，以減少自發的眨眼和眼跳。這些步驟非常基礎，以至於在研究論文中很少詳細說明，但每項報告乾淨數據的研究都在默認依賴它們。

電極放置是下一道防線。細緻的皮膚準備、足夠的導電凝膠和謹慎的電纜佈線，可將環境干擾和與運動相關的突跳降至最低。

上述嬰兒 EEG 研究發現，電氣和運動干擾發生的頻率相似，證實沒有任何記錄環境能對技術問題完全免疫。在記錄前後檢查阻抗並將電纜固定在衣服或椅子上，可以消除很大一部分可預防的偽影。

最後，在記錄過程中保持對可見偽影的即時記錄。記錄任何大幅度動作、咳嗽或電極調整的時間。這種手動標註類似於用於訓練自動分類器的專家標籤，其中人類評估員標記片段以作為機器學習演算法的真實基準（ground truth）。

一個簡單的手寫時間戳或採集軟體中的事件標記，就能將猜測轉化為可重現的文件記錄。

手動剔除與插值：計算前的清理

連續訊號軌跡的目視檢查

在將偽影去除工作委託給任何信號處理演算法之前，應瀏覽原始數據並使用上述波形特徵來識別受污染的區間。

通常建議尋找特徵性的眨眼額葉慢波、肌肉活動的高頻雜訊、突跳的孤立棘波或市電噪聲的持續正弦波。這一步驟訓練您的眼睛區分偽影與真實大腦活動，並防止自動剔除可能表面上類似偽影但罕見的高振幅神經事件。

• 額葉慢波：表示眨眼

• 高頻雜訊：表示肌肉活動

• 極大振幅的孤立棘波：表示電極突跳

• 持續正弦波：表示市電干擾

標記與排除不良時間段

一旦識別出一大段充滿偽影的數據，請將其標記為排除。這可能涉及記錄開始和結束時間，或使用內建於 EEG 分析軟體中的標記工具。

手動去除污染最嚴重的片段是即使最先進的自動化方法也賴以建立的標準。例如，在產出 ADJUST 演算法的工作中，專家手動標記了 640 個成分來建立訓練集，隨後根據這一人工定義的真實基準衡量了分類器的效能。

以手動方式去除最嚴重的偽影可以減輕下游演算法的負擔，並防止它們在空間濾波步驟中將噪聲擴散到相鄰通道。

對持續嘈雜的通道進行插值

當單個電極由於接觸鬆動、凝膠變乾或機械不穩定性而在整個記錄過程中都不可靠時，去除該通道並從相鄰的乾淨電極重建其數據，可保持整體的數據維度。

插值利用頭皮上的空間電壓分佈來估算不良通道本應記錄的內容，從而有效地用合理的中性訊號替換偽影。這一步驟使數據集保持完整以用於地形圖分析，並避免了完全丟棄該通道所帶來的數據損失。

為何手動清理仍然必不可少

即使是最複雜的自動分類器，也能從預先清除了嚴重偽影的數據集中獲益。新生兒研究發現偽影佔據了 12% 的記錄時間並影響了臨床判讀，這說明未清除的污染是多麼容易扭曲結論。

因此，目視檢查可確保在數據進入有效的計算流程之前消除最大且最明顯的偽影，否則它們可能會主導方差並誤導分解過程。它還能建立起對數據集的深刻熟悉度，這是任何演算法都無法替代的。

自動去除如何支援手動工作

獨立成分分析作為解構工具

手動去除最嚴重的片段後，ICA 可以將剩餘的 EEG 分解為統計上獨立的源成分。這種技術將頭皮電極收集到的腦部和偽影訊號混合物分離開來，根據眼球運動、眨眼和肌肉活動獨特的空間和時間模式將其分解為離散的成分。

隨後可以識別並減去具有額葉投射且波形與眨眼訊號高度匹配的成分，使剩餘數據在神經生理學上保持完整。ICA 的優勢在於它能夠處理同時發生的多個偽影源，而較簡單的基於迴歸的校正對這項任務經常校正過度或校正不足。

現代分類器的可靠性

自動化方法現在已經達到與人類專家判斷密切相符的效能水準。

一個根據頻率、空間和時間維度提取的六個特徵進行訓練的受試者無關線性分類器，在反應時間數據集上實現了低於 10% 的均方誤差，這處於兩位人類專家之間分歧程度的範圍內。

此外，結合了空間和時間特定偽影特徵的 ADJUST 演算法，在完全獨立的數據集上進行測試時，在 95.2% 的數據方差上與手動專家標記達成一致，其對偽影成分的去除產生了事件相關電位的乾淨重建。

另一種使用自回歸模型結合支援向量機的方法，跨個體對數種受試者產生的偽影類型進行了分類，準確率約為 94%。

特別是對於眼部偽影，結合眼動追蹤資訊以客觀識別相關成分的演算法，其效能幾乎是僅依賴成分地形圖的人類專家的兩倍，達到了大於 0.99 的受試者工作特徵曲線下面積。

這些數字並不能取代手動清理，但表明該領域現在擁有了可靠的計算助手，可以處理曾經完全由手動完成的重複性、高通量識別工作。

平衡偽影去除與訊號保留

激進的偽影剔除可能會無意中剝離真實的神經資訊。在一項運動想像腦機介面範式中，研究人員發現他們可以安全去除高達 60% 偽影最嚴重的 ICA 成分，同時仍能保留 BCI 系統用於解碼使用者意圖的判別資訊。

這一發現強調了一個至關重要的原則：並非每個帶有某些偽影方差的成分都缺乏神經訊號。手動審查由自動分類器選出的成分仍然是值得建議的，以確認剔除閾值不會越界侵入有用的大腦活動領域。

利用卷積神經網路自動識別 EEG 偽影

自動化識別 EEG 偽影的方法已取得顯著進展，為上述手動識別技術提供了補充。其中一項研究重點是卷積神經網絡，它可以在不需要專家特徵提取或對原始訊號進行預處理的情況下檢測和分類偽影。

研究人員在一項針對連續多通道 EEG 數據的研究中，提出了一種用於二元檢測 EEG 偽影的 CNN 架構，隨後將其擴展為對多種偽影類型進行分類。作者報告稱，他們的優化網絡在 17 名患者和 9 種偽影類別中的平均分類準確率達到了 94.17%。與最初基於 CNN 的架構相比，優化版本減少了 4.2 倍的參數和 2.7 倍的計算量，同時準確率提高了 17.5%。研究人員還在實驗室中使用 14 通道 Emotiv Epoc X headset 收集的數據集上評估了他們的模型，該模型在檢測眨眼偽影方面的準確率達到了 93.5%。

研究指出，所提出的模型不需要特徵提取或 EEG 數據預處理方面的專家知識，而且該架構足夠高效，可在行動裝置上實現。這指明了在實用、資源匱乏的環境中進行即時偽影檢測的可能性。

這項研究尚未確定的是，此類自動分類器在現實世界記錄中遇到的全範圍偽影類型中的表現如何，或者它們在不同人群和記錄環境中與手動檢查相比表現如何。研究結果表明，高效率、自動化的 EEG 偽影識別是可行的，但更廣泛條件下的進一步驗證仍是一個有待探索的領域。

為何偽影意識決定數據品質

偽影直接影響目視解讀和定量測量。無論目標是臨床診斷、神經科學發現，還是消費級健康應用，獲得可靠結果的途徑都在於清楚了解偽影從何而來、它們在原始訊號軌跡上的外觀，以及預防、記錄和手動去除它們的嚴格流程。

基於 ICA 的自動化可以加速清理工作流程，但它在已經過訓練有素的人眼檢查過的數據上運行最為有效。12% 的污染率聽起來可能不高，但是當這個比例可能改變醫療決策或掩蓋微妙的認知生物標誌物時，偽影管理上的投入便與記錄的科學完整性密不可分。

參考文獻

1. Plöchl, M., Ossandón, J. P., & König, P. (2012). Combining EEG and eye tracking: identification, characterization, and correction of eye movement artifacts in electroencephalographic data. Frontiers in human neuroscience, 6, 278. https://doi.org/10.3389/fnhum.2012.00278

2. Mognon, A., Jovicich, J., Bruzzone, L., & Buiatti, M. (2011). ADJUST: An automatic EEG artifact detector based on the joint use of spatial and temporal features. Psychophysiology, 48(2), 229-240. https://doi.org/10.1111/j.1469-8986.2010.01061.x

3. Hagmann, C. F., Robertson, N. J., & Azzopardi, D. (2006). Artifacts on electroencephalograms may influence the amplitude-integrated EEG classification: a qualitative analysis in neonatal encephalopathy. Pediatrics, 118(6), 2552–2554. https://doi.org/10.1542/peds.2006-2519

4. 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. https://doi.org/10.1186/1744-9081-7-30

5. Lawhern, V., Hairston, W. D., McDowell, K., Westerfield, M., & Robbins, K. (2012). Detection and classification of subject-generated artifacts in EEG signals using autoregressive models. Journal of neuroscience methods, 208(2), 181-189. https://doi.org/10.1016/j.jneumeth.2012.05.017

常見問題解答

EEG 偽影的兩個主要類別是什麼，它們有何不同？

EEG 偽影分為兩類：由參與者身體產生的受試者相關（生理性）偽影——例如眨眼、肌肉緊張、心跳和出汗——以及源自設備或環境的技術性（非生理性）偽影，如電極鬆動、電纜晃動和市電干擾。這種區別至關重要，因為每個類別都需要不同的預防和去除策略；例如，肌肉突發信號需要與 60 赫茲線路嗡鳴聲不同的干預措施。

如何在 EEG 訊號軌跡上識別眨眼偽影？

眨眼表現為一個大的正向慢波，在 Fp1 和 Fp2 等額葉電極上最強，並朝向中央或後部通道迅速減弱。因為相對於視網膜，角膜帶正電荷，眼瞼掃過這個偶極子會產生典型的高振幅偏轉，經過訓練很容易發現。

為什麼肌肉活動對腦機介面特別棘手？

來自咬緊牙關、皺眉或頸部緊張的肌肉偽影會產生高頻、尖銳的干擾，通常與認知測量和精神狀態監測所在的 beta 和 gamma 腦電波頻段重疊。這種污染會損壞演算法分析並降低腦機介面模型的效能，使其成為最難處理的生理偽影之一。

市電干擾偽影是什麼樣的，它是如何引起的？

市電干擾表現為疊加在每個 EEG 通道上的連續、有節律的正弦波「嗡鳴聲」，通常為 50 或 60 Hz，取決於該地區的電源供應。它是由於電極阻抗差、屏蔽不足或接地問題導致電源電容耦合到記錄裝置中而產生的，並且明顯是技術性偽影而非神經訊號。

為什麼在記錄過程中手動標註偽影很重要？

在測試過程中保持對大幅度動作、咳嗽或電極調整的即時記錄，有助於稍後縮小不良數據段的範圍，並將猜測轉化為可重現的文件記錄。這種手動標註還反映了用於訓練自動分類器的專家標籤，提供了提高手動和計算清理可靠性的真實基準。

對持續嘈雜的 EEG 通道進行插值的目的是什麼？

當單個電極由於接觸鬆動或凝膠變乾而在整個記錄過程中不可靠時，插值利用頭皮上的空間電壓分佈從相鄰的乾淨電極重建該通道的數據。這為地形圖分析保留了數據集的整體維度，避免了因丟棄整個通道而造成的數據丟失。

獨立成分分析 (ICA) 如何幫助去除偽影？

ICA 將混合的 EEG 訊號分解為統計上獨立的源成分，根據眨眼、肌肉活動和其他偽影獨特的空間和時間模式將其分離。一旦被識別，偽影成分（例如與眨眼匹配且具額葉投射的成分）就可以被減去，使底層神經訊號基本保持完整，並比簡單的迴歸方法更有效地處理多個同時發生的偽影源。

自動偽影去除過於激進有何風險？

激進的剔除可能會無意中剝離真實的神經資訊，因為某些成分同時攜帶偽影方差和有用的大腦活動。即使自動分類器標記了許多成分，手動審查要去除哪些成分仍然是明智的，以確保剔除閾值不會消除對解碼使用者意圖或檢測認知生物標誌物至關重要的訊號。

為什麼偽影意識會直接影響 EEG 記錄的科學完整性？

偽影可能會偽裝成病理性波形或引入扭曲目視解讀和定量分析的方差，從而可能改變臨床分類或掩蓋微妙的認知訊號。在進行任何計算處理之前，預防、記錄和手動清理偽影的嚴格流程至關重要，可確保從數據中得出的結論可靠且不受污染干擾。