腦電圖偽影

EEG 偽影的兩個基本類別

在 EEG 記錄中，所有不需要的波動都源於兩種來源之一。與受試者相關（或生理性）的偽影是由參與者自身的身體產生的。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，頭皮電極在接收真實大腦活動的同時也會接收到這些電場。

技術性（或非生理性）的偽影則源於記錄設備和環境。電極鬆動、電纜晃動、放大器飽和以及市電干擾都屬於第二組。

區分這兩個類別是首先需要掌握的技能，因為預防和消除策略在根本上是不同的。咬緊牙關產生的肌肉爆發需要與通過屏蔽不良的電纜進入的 60 赫茲週期性蜂鳴聲不同的干預措施。

如何識別受試者相關的偽影

眨眼

眼睛的行為就像一個微型電池。角膜相對於視網膜帶正電荷，形成一個角膜-視網膜偶極子。當參與者眨眼時，眼瞼會掃過這個偶極子並將正電場向上拉，在最靠近眼睛的額部電極上產生一個巨大的正電壓偏轉。

在時域跡線中，眨眼表現為高振幅、慢速波，在 Fp1 和 Fp2 等前額極通道達到最大值，然後在您看向中央或後部導聯時急劇衰減。因為這種波形非常定型，訓練有素的眼睛幾乎可以立即發現它。

眼球運動和掃視尖峰

當眼睛側向運動而不眨眼時，角膜-視網膜偶極子會旋轉而不是被覆蓋。這會在眼電圖信號中產生階梯狀的偏移，並可能滲透到相鄰的 EEG 通道中。

此外，在掃視期間外眼肌的快速收縮會產生一個短暫、尖銳的電瞬態，稱為掃視尖峰電位。在原始跡線上，這些尖峰看起來與癲癇樣活動極為相似。它們通常局限於額部和顳部電極，並與視線的改變一致。

識別它們可以防止錯誤的臨床印象，並避免不必要地拒絕原本乾淨的神經數據。尖峰的短暫性、它與水平或垂直眼球運動的相關性，以及它缺乏隨後的慢波，有助於將其與真正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多產來源。當參與者咬緊牙關、皺眉、甚至頸部保持緊張時，運動單元動作電位會異步放電並融合成尖銳、不規則的干擾圖案。

在時域中，肌肉偽影看起來像是騎在 EEG 頂部的尖銳、低振幅偏轉的快速爆發，通常在顳部或額部電極上最為突出。它的頻率內容主要在 20 Hz 以上，深入到許多認知測量所在的 beta 和 gamma 頻段，這使得它對於精神狀態監測和腦機介面應用特別棘手。

電極間距緊密的高密度 EEG 設置可以幫助定位肌肉來源，但第一道防線是指導參與者放鬆並為頭部提供物理支撐。

出汗和皮膚電學偏移

由於汗腺活動引起的皮膚電導變化會改變電極與皮膚的界面。這引入了一個非常緩慢、平滑的基線電壓漂移，通常在 1 Hz 以下，可以漂移數秒。

該偽影不表現為尖峰或節奏性的蜂鳴聲，而是整個跡線的溫和、波浪狀滾動。這在長時間記錄、溫暖的環境中或焦慮的參與者中最为常見。這種低頻混雜可以通過保持穩定的室溫和確保良好的電極接觸來控制。

心臟信號

心臟的電場強大到足以到達頭皮，特別是當電極阻抗很高或者參考電極位於乳突或耳垂上靠近血管的地方時。

由此產生的心電圖偽影表現為以心率（大約每秒一次）重複的規律、尖銳的 QRS 綜合波。它通常會隨著一致的時間偏移同時滲透到許多通道中，而基於寬光譜偽影特徵訓練的分類器可以與其他污染物一起檢測到它。

如果心臟波形可見但並不具有壓倒性，通常可以通過記錄專用的 ECG 通道將其減去；否則，受影響的片段可能需要手動剔除。

識別跡線中的技術性偽影

電極彈出和運動相關尖峰

由乾燥的導電膠橋、被拉扯的電纜或移動的電極引起的阻抗突然變化會產生一個陡峭的瞬態，通常稱為彈出。這屬於 ADJUST 等自動化算法旨在標記的「通用不連續性」類別。

在時域中，電極彈出通常看起來像一個孤立的極端振幅尖峰，可能會使放大器飽和，使信號在緩慢恢復之前暫時平線。與生物尖峰不同，它不被持續的生理活動所包圍，並且通常出現在單個通道上，這使得在目視檢查中很容易識別它。

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，這些干擾改變了振幅整合的跡線，強調了即使是短暫的物理干擾也會產生可測量的污染。

市電干擾

電源與記錄設置的電容耦合會在市電頻率下產生持續的、節奏性的「蜂鳴聲」——在歐洲和世界上大部分地區為 50 Hz，在北美為 60 Hz。

在原始 EEG 跡線上，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。即使是少量的線路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。

它無疑是一種技術性偽影，而不是神經振盪，其固定頻率使其很容易用肉眼或簡單的頻譜圖來識別。

電極鬆動和電纜移動

當電極未牢固地附著在頭皮上或其電纜在記錄中途晃動時，機械干擾會引入不規則的低頻波動。這些在單個通道上看起來像是緩慢、不穩定的漂移或高振幅不規則波的爆發。

這種偶發性以及局限於單個電極的特性，使其能立即與廣泛的生理事件（如眨眼或肌肉緊張）區分開來。在實時記錄中註釋此類時刻，可以通過縮小壞數據段的搜索範圍，在以後節省大量的精力。

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開始了。

放鬆的參與者產生的肌肉和眼球運動偽影會急劇減少。因此，花時間解釋實驗過程，提供一個帶有頭部支撐的舒適椅子，並給眼睛一個穩定的注視點，以減少自發性的眨眼和掃視。這些步驟非常基礎，在研究論文中很少被詳細說明，但每項報告乾淨數據的研究都默默地依賴於它們。

電極的佩戴是下一道防線。細緻的皮膚準備、足夠的導電膠和仔細的電纜佈線可以最大限度地減少環境干擾和與運動相關的彈出。

上述嬰兒 EEG 研究發現，電和運動干擾發生的頻率相似，證實了沒有任何記錄環境能對技術問題天然免疫。在實驗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，在記錄期間保持可見偽影的運行日誌。記錄任何劇烈運動、咳嗽或電極調整的時間。這種手動標注鏡像了用於訓練自動分類器的專家標記，其中人類評估員標記數據段以作為機器學習算法的地面真值（ground truth）。

獲取軟件中一個簡單的手寫時間戳或事件標記，可以將猜測轉化為可重複的記錄。

手動剔除與插值：計算前的清洗

連續跡線的目視檢查

在將偽影消除委託給任何信號處理算法之前，滾動瀏覽原始數據並使用上述波形特徵來識別受污染的時間段。

通常建議尋找眨眼的特徵性前額慢波、肌肉活動的高頻雜音、彈出的孤立尖峰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的大腦活動，並防止自動拒絕可能在表面上類似於偽影的罕見、高振幅神經事件。

• 前額慢波：表示眨眼

• 高頻雜音：表示肌肉活動

• 極端振幅的孤立尖峰：表示電極彈出

• 持續正弦波：表示市電干擾

標記和排除壞的時間段

一旦您識別出一段充滿偽影的數據，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 EEG 分析軟件中內置的標記工具。

手動去除受污染最嚴重的片段是即使是基於其構建的最新自動化方法也要遵循的標準。例如，在產生 ADJUST 算法的工作中，專家手動標記了 640 個成分以創建訓練集，然後對照這個手動定義的地面真值來衡量分類器的性能。

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

插值持續多噪的通道

當單個電極由於接觸不良、乾燥的導電膠或機械不穩定性而在整個記錄中不可靠時，去除該通道並利用相鄰的乾淨電極重建其數據可以保留整體的數據維度。

插值使用整個頭皮的空間電壓分佈來估計壞通道會記錄到什麼，從而有效地用一個合理的、中性的信號代替偽影。這一步驟使數據集保持完整以進行拓撲分析，並避免了因完全丟棄該通道而產生的數據損失。

為什麼手動清洗仍然至關重要

即使是最先進的自動分類器，也能從預先清除了嚴重偽影的數據集中受益。新生兒研究發現，偽影佔據了 12% 的記錄時間並影響了臨床解釋，這說明了未清除的污染是多麼容易扭曲結論。

因此，手動檢查可確保在數據進入有效的計算管線之前消除最大且最明顯的偽影，否則這些偽影可能會主導方差並誤導分解。它還能建立對數據集的極度熟悉，這是任何算法都無法複製的。

自動清除如何支持手動工作

獨立成分分析作為解剖工具

一旦手動去除了最壞的片段，ICA 就可以將剩餘的 EEG 分解為統計上獨立的源成分。這種技術可以解開頭皮電極接收到的大腦和偽影信號的混合物，根據其獨特的空間和時間模式，將眼球運動、眨眼和肌肉活動分離成離散的成分。

然後可以識別並減去具有前額投影且波形與眨眼信號密切匹配的成分，使剩餘的數據在神經生理上保持完整。ICA 的優勢在於它能夠處理同時發生的多個偽影源，而較簡單的基於回歸的校正通常會對此進行過度或欠校正。

現代分類器的可靠性

自動化方法現在已經達到了與人類專家判斷密切匹配的性能水平。

一種獨立於受試者的線性分類器，基於頻率、空間和時域的六個特徵進行訓練，在反應時間數據集上實現了低於 10% 的均方誤差，這在兩個手動專家之間的意見分歧範圍之內。

此外，結合了空間和時間特定偽影特徵的 ADJUST 算法在一個完全獨立的數據集上進行測試時，與專家手動標記在 95.2% 的數據方差上保持一致，並且它對偽影成分的消除重建出了乾淨的事件相關電位。

另一種使用自回歸模型結合支持向量機的方法，以大約 94% 的準確率對跨個體的多種受試者產生的偽影進行了分類。

特別是對於眼部偽影，一種引入了眼動儀信息以客觀識別相關成分的算法，其性能幾乎是僅能依賴成分拓撲結構的人類專家的兩倍，實現了接收者操作特徵曲線下面積大於 0.99。

這些數字並不能取代手動清洗，但證明了該領域現在擁有可靠的計算助手，可以處理曾經完全由手工完成的重複性、高容量的識別工作。

平衡偽影消除與信號保留

過度積極的偽影拒絕可能會不經意地剝離真實的神經信息。在運動意象腦機介面範式中，研究人員發現他們可以安全地去除高達 60% 最具偽影的 ICA 成分，同時仍然保留 BCI 系統用於解碼用戶意圖的判別信息。

這一發現強調了一個至關重要的原則，即並非每個帶有一些偽影方差的成分都毫無神經信號。對自動分類器選擇的成分進行手動審查仍然是明智的，以確認拒絕閾值沒有跨入有用大腦活動的領域。

為什麼偽影意識決定了數據質量

偽影直接影響目視解釋和定量測量。無論目標是臨床診斷、神經科學發現還是消費級健康應用，通往可靠結果的途徑都貫穿於對偽影來源、它們在原始跡線上的外觀，以及預防、記錄和手動清除它們的嚴格過程的清晰理解。

基於 ICA 的自動化可以加速清洗工作流程，但它在已經由訓練有素的人眼檢查過的數據上運行最有效。12% 的污染率聽起來可能不高，但當該比例可能改變醫療決策或掩蓋微妙的認知生物標誌物時，對偽影管理的投入就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：與受試者相關（生理性）的偽影，由參與者身體產生，例如眨眼、肌肉緊張、心跳和出汗；以及技術性（非生理性）的偽影，源於設備或環境，例如電極鬆動、電纜晃動和市電干擾。這種區分非常重要，因為每個類別都需要不同的預防和消除策略；例如，肌肉爆發需要與 60 Hz 線路蜂鳴聲不同的干預措施。

如何在 EEG 跡線上識別眨眼偽影？

眨眼表現為一個巨大的、正向的慢波，在 Fp1 和 Fp2 等前額電極上最強，並迅速向中央或後部通道衰減。因為角膜相對於視網膜帶正電荷，眼瞼掃過這個偶極子會產生一個定型的高振幅偏轉，經過訓練很容易發現。

為什麼肌肉活動對於腦機介面特別棘手？

咬緊牙關、皺眉或頸部緊張產生的肌肉偽影會產生高頻、尖銳的干擾，這些干擾通常與認知測量和精神狀態監測運行的 beta 和 gamma 腦電波頻段重疊。這種污染會損害算法分析並降低腦機介面模型的性能，使其成為最棘手管理的生理偽影之一。

市電干擾偽影看起來像什麼，是什麼原因造成的？

市電干擾表現為疊加在每個 EEG 通道上的持續、有節奏的正弦波「蜂鳴聲」，通常為 50 或 60 Hz，具體取決於該地區的電力供應。由於電極阻抗差、屏蔽不足或接地問題，電源與記錄設置之間的電容耦合會產生這種干擾，這顯然是技術性偽影，而不是神經信號。

為什麼在記錄期間手動標注偽影很重要？

在實驗期間保持大動作、咳嗽或電極調整的運行日誌，有助於縮小稍後不良數據段的範圍，並將猜測轉化為可重複的記錄。這種手動標注還鏡像了用於訓練自動分類器的專家標記，提供了解析度，提高了手動和計算清洗的可靠性。

插值持續多噪的 EEG 通道目的是什麼？

當單個電極由於接觸不良或乾燥的導電膠而在整個記錄中不可靠時，插值利用整個頭皮的空間電壓分佈，從相鄰的乾淨電極中重建該通道的數據。這保留了數據集用於拓撲分析的總體維度，避免了如果丟棄整個通道而發生的數據丟失。

獨立成分分析 (ICA) 如何幫助消除偽影？

ICA 將混合的 EEG 信號分解為統計上獨立的源成分，根據其獨特的空間和時間模式分離眨眼、肌肉活動和其他偽影。一旦識別，就可以減去偽影成分（例如具有與眨眼相匹配的前額投影的成分），使底層神經信號基本保持完整，並比簡單的回歸方法更有效地處理多個同時發生的偽影源。

對自動化偽影消除過於積極的風險是什麼？

過度積極的拒絕可能會不經意地剝離真實的神經信息，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，以確保拒絕閾值不會消除解碼用戶意圖或檢測認知生物標誌物所必需的信號。

為什麼偽影意識直接影響 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方差，從而扭曲目視解釋和定量分析，潛在改變臨床分類或掩蓋微妙的認知信號。在進行任何計算處理之前，預防、記錄和手動清洗偽影的嚴謹過程是必不可少的，這確保了從數據中得出的結論是可靠的，且未受到污染的損害。