EEG伪迹

脑电图（EEG）伪影的两大基本类别

EEG记录中的每一次非预期波动都源于两种来源之一。受试者相关的伪影（即生理性伪影）由参与者自身的身体产生。这包括眨眼、肌肉紧张、心跳和汗腺活动，所有这些都会产生电场，与真实的脑电活动一起被头皮电极采集到。

技术性伪影（即非生理性伪影）则源自记录设备和环境。电极松动、电缆晃动、放大器饱和以及工频电源干扰都属于这第二类。

区分这两大类别是首先需要掌握的技能，因为预防和去除策略存在根本差异。咬紧牙关引起的肌肉突发活动，与通过屏蔽不良电缆引入的周期性 60 赫兹交流电杂音，所需的干预措施截然不同。

如何识别受试者相关的伪影

眨眼

眼睛的作用就像一个小电池。角膜相对于视网膜带有正电荷，形成了角膜-视网膜偶极子。当受试者眨眼时，眼睑扫过该偶极子并将正电场向上拖动，在最靠近眼睛的额部电极处产生较大的正电压偏转。

在时域波形中，眨眼表现为高振幅的慢波，在额极导联（如 Fp1 和 Fp2）达到最大值，然后随着朝向中央或后部导联而急剧衰减。因为这种波形非常典型，经过训练的专业人员几乎可以立即识别出来。

眼球运动与扫视尖峰

当眼球在不眨眼的情况下发生横向移动时，角膜-视网膜偶极子会发生旋转而不是被遮盖。这会在眼电图信号中产生阶梯状的偏移，并可能渗入相邻的脑电通道中。

此外，眼外肌在眼跳期间的快速收缩会产生短暂而锐利的电瞬变，称为扫视尖峰电位。在原始波形上，这些尖峰看起来与癫痫样活动极其相似。它们通常局限于额部和颞部电极，并与注视点的变化同步发生。

识别它们可以防止产生错误的临床诊断印象，并避免不必要地丢弃原本干净的神经数据。该尖峰的短暂性、其与水平或垂直眼动相关联，以及缺乏随后的慢波，有助于将其与真正的皮层放电区分开来。

肌电活动

头皮、面部和颈部肌肉是高频电噪声的多产来源。当受试者咬紧牙关、皱眉甚至颈部紧绷时，运动单位动作电位会异步发放并叠加成尖锐、不规则的干扰模式。

在时域中，肌肉伪影看起来像是一组叠加在 EEG 之上的快速尖锐、低振幅偏转阵发，通常在颞部或额部电极最为突出。其频率主要集中在 20 Hz 以上，深入到许多认知指标所在的 beta 和 gamma 频段，这使其对心理状态监测和脑机接口应用构成了特别棘手的干扰。

电极间距较密的高密度 EEG 设置有助于定位肌电来源，但第一道防线始终是指导受试者放松，并为头部提供物理支撑。

出汗与皮肤电变化

汗腺活动引起的皮肤电导变化会改变电极-皮肤界面。这会引入非常缓慢、平滑的基线电压漂移（通常低于 1 Hz），可持续漂移数秒。

该伪影并不表现为尖峰或节律性杂音，而是表现为整个波形平缓的波浪状起伏。在长时间记录、温暖环境或受试者焦虑时最为常见。这种低频干扰可以通过保持稳定的室温和确保良好的电极接触来控制。

心脏信号

心脏的电场足够强大，可以传导到头皮，尤其是在电极阻抗较高或参考电极靠近乳突或耳垂处的血管时。

由此产生的心电图伪影表现为规律、锐利的 QRS 波群，以心率频率重复——大约每秒一次。它通常会以一致的时间偏移同时渗入多个通道，针对宽谱伪影特征训练的分类器可以将其与其他污染物一同检测出来。

如果心电波形清晰可见但并不剧烈，通常可以通过记录专用的 ECG 通道来进行减法扣除；否则，受影响的片段可能需要手动剔除。

在波形中识别技术性伪影

电极跳动和运动相关尖峰

导电膏桥干涸、电缆被拉扯或电极位移所引起的阻抗骤变，会产生突然而陡峭的瞬态突变，通常称为电极跳动（pop）。这属于诸如 ADJUST 等自动化算法旨在标记的“一般性不连续”类别。

在时域中，电极跳动通常表现为孤立的极端振幅尖峰，可能会使放大器饱和，导致信号短暂拉平，随后缓慢恢复。与生物尖峰不同，它周围没有持续的生理活动，通常出现在单个通道上，这使得在目视检查时很容易识别。

Hagmann 等人的一项新生儿脑电图研究同样记录了改变振幅整合波形的频繁运动干扰，强调了即使是短暂的物理扰动也会产生可测量的污染。

工频干扰

供电电源对记录系统的电容耦合会在工频频率下产生持续的节律性“嗡嗡声”——在欧洲和世界上大部分地区为 50 Hz，在北美为 60 Hz。

在原始脑电图波形上，这种干扰表现为叠加在每个通道上的粗正弦波，通常具有恒定的振幅。即使是微弱的线路噪声也会掩盖低电压的脑节律，其出现表明电极阻抗、屏蔽或接地存在问题。

它始终是一种技术伪影，而不是神经振荡，其固定的频率使得通过肉眼或简单的频谱图都可以直接识别。

电极松动和电缆晃动

当电极未牢固贴附在头皮上或其电缆在记录过程中晃动时，机械扰动会引入不规则的低频波动。这些在单个通道上可能表现为缓慢、不稳定的漂移，或者高振幅不规则波的爆发。

这种零星的特性以及局限于单个电极的表现，使其能立即与大范围的生理事件（例如眨眼或肌肉紧张）区分开来。实时标注这些瞬间可以缩小不良数据段的搜索范围，从而在后续工作中节省大量精力。

在记录期间预防和记录伪影

最有效的伪影管理策略早在保存第一个数据点之前就已经开始。

放松的受试者产生的肌肉和眼动伪影会显著减少。因此，花时间解释测试过程，提供带头托的舒适座椅，并为眼睛提供一个稳定的注视点，以减少自发性眨眼和扫视。这些步骤非常基础，以至于在研究论文中很少详细说明，但每项报告干净数据的研究都隐含地依赖于它们。

电极佩戴是下一道防线。细致的皮肤准备、充分的导电膏以及细心的电缆布线，可以最大程度地减少环境拾取和运动引起的电极跳动。

前面提到的婴儿脑电图研究发现，电气干扰和运动干扰的发生频率相近，这证实了没有任何记录环境生来就能免受技术问题的影响。在测试前后检查阻抗，并将电缆固定在衣服或椅子上，可以消除很大一部分可预防的伪影。

最后，在记录过程中保留可见伪影的运行日志。记下任何大幅度动作、咳嗽或电极调整的时间。这种手动标注类似于用于训练自动分类器的专家标注，即人工评估员标记片段，作为机器学习算法的真实基准（ground truth）。

手写时间戳或采集软件中的事件标记可以将盲目猜测转化为可重现的记录。

手动剔除与插值：计算前的清洗

对连续波形的目视检查

在将伪影去除委托给任何信号处理算法之前，应通览原始数据，利用上述波形特征识别受污染的时间段。

通常建议寻找眨眼的特征性额叶慢波、肌肉活动的高频噪声、电极跳动的孤立尖峰，或工频噪声的持续正弦波。这一步骤不仅可以训练您的眼力来区分伪影与真实的脑活动，还能防止自动剔除那些在表面上看似伪影的罕见高振幅神经事件。

• 额叶慢波：表明存在眨眼

• 高频噪声：表明存在肌电活动

• 极端振幅的孤立尖峰：表明存在电极跳动

• 持续正弦波：表明存在工频干扰

标记和排除不良时间段

一旦识别出充满伪影的数据段，就将其标记为排除。这可能涉及记录开始和结束时间，或使用内置于 EEG 分析软件中的标记工具。

手动去除污染最严重的片段，是哪怕最先进的自动化方法也会建立在其上的标准。例如，在开发 ADJUST 算法的工作中，专家手动标记了 640 个成分来创建训练集，随后分类器的性能就是根据这种手动定义的真实基准来衡量的。

手动去除最严重的伪影可以减轻下游算法的负担，并防止它们在空间滤波步骤中将噪声扩散到相邻通道中。

对持续噪声通道进行插值

当单个电极由于接触不良、导电膏干涸或机械不稳定而在整个记录期间都不可靠时，去除该通道并根据相邻的干净电极重建其数据，可以保留总体的数据维度。

插值利用头皮上的空间电压分布来估计坏通道原本记录的数据，从而有效地用合理的中性信号替换伪影。该步骤使数据集保持完整以进行地形图分析，并避免了完全丢弃该通道所带来的数据丢失。

为什么手动清洗仍然必不可少

即使是最精密的自动分类器，也能从预先清除严重伪影的数据集中获益。新生儿研究发现伪影占据了 12% 的记录时间并影响了临床判读，这表明未清除的污染极易扭曲结论。

因此，人工目视检查可确保在数据进入高效计算流程之前去除最大且最明显的伪影，否则这些伪影可能会主导方差并误导信号分解。它还能建立起对数据集的高度熟悉感，这是任何算法都无法复制的。

自动化去除如何辅助手动处理

作为剖析工具的独立成分分析

手动移除最差的片段后，ICA 可以将剩余的脑电信号分解为统计上独立的源成分。该技术可以解开由头皮电极采集的大脑信号和伪影信号的混合体，根据其独特的空间和时间模式将眼球运动、眨眼和肌肉活动分离成离散的成分。

随后可以识别并减去具有前额投射且波形与眨眼信号高度匹配的成分，从而使其余数据在神经生理学上保持完整。ICA 的优势在于它能够处理同时发生的多个伪影源，而更简单的基于回归的校正方法往往在此类任务中过度校正或校正不足。

现代分类器的可靠性

自动化方法目前已达到与人类专家判断高度一致的性能水平。

一种受试者无关的线性分类器，基于频率、空间和时间域提取的六个特征进行训练，在反应时间数据集上实现了低于 10% 的均方误差，这一误差处于两位人类专家之间的分歧范围之内。

此外，结合了空间和时间伪影特异性特征的 ADJUST 算法在完全独立的数据集上进行测试时，在 95.2% 的数据方差上与人工专家标注一致，其对伪影成分的去除实现了事件相关电位的干净重建。

另一种使用自回归模型结合支持向量机的方法，在对个体间几种类型的受试者自生伪影进行分类时，准确率达到了大约 94%。

特别是针对眼部伪影，一种结合眼动追踪信息来客观识别相关成分的算法，其有效性几乎是仅依赖成分地形图的人类专家的两倍，受试者工作特征曲线下面积超过 0.99。

这些数据并不能取代手动清理，但表明该领域现在拥有可靠的计算辅助工具，可以处理曾经完全由人工完成的重复性、高通量识别工作。

平衡伪影去除与信号保留

过度激进的伪影剔除可能会在不经意间剥离真正的神经信息。在运动想象脑机接口范式中，研究人员发现他们可以安全地去除高达 60% 伪影最严重的 ICA 成分，同时仍然保留 BCI 系统用于解码用户意图的判别信息。

这一发现强调了一个关键原则：并非每个带有某些伪影方差的成分都完全没有神经信号。对手动复核自动分类器选出的成分仍然是明智的做法，以确认剔除阈值没有侵入有用的脑电活动区域。

基于卷积神经网络的脑电伪影自动识别

EEG 伪影自动识别方法取得了长足进展，为上述手动识别技术提供了补充。其中一条研究路线侧重于卷积神经网络，该网络可以检测和分类伪影，而无需专家进行特征提取或对原始信号进行预处理。

一项研究人员检查连续多通道脑电数据的研究提出了一种用于 EEG 伪影二分类检测的 CNN 架构，随后将其扩展为对多种伪影类型进行分类。作者报告称，在 17 名患者和 9 种伪影类别中，其优化后的网络平均分类准确率达到 94.17%。与最初基于 CNN 的架构相比，优化版本减少了 4.2 倍的参数量和 2.7 倍的计算量，同时准确率提高了 17.5%。研究人员还在其实验室中使用 14 通道 Emotiv Epoc X headset 收集的数据集上评估了模型，在检测眨眼伪影方面达到了 93.5% 的准确率。

该研究指出，所提出的模型不需要专家知识来进行脑电数据的特征提取或预处理，并且该架构足够高效，可以在移动设备上实现。这指出了在低资源实际环境中进行实时伪影检测的可能性。

这项研究所尚未确定的是，此类自动分类器在现实记录中遇到的全谱系伪影类型上的表现如何，或者在不同人群和记录环境中与手动检查相比表现如何。这些发现表明，高效、自动化的脑电伪影识别是可行的，但更广泛条件下的进一步验证仍是一个有待探索的领域。

为什么伪影意识决定了数据质量

伪影直接影响视觉判读和定量测量。无论目标是临床诊断、神经科学发现还是消费级健康应用，获得可靠结果的途径都源于对伪影来源、它们在原始波形上的表现，以及预防、记录和手动去除它们的严谨流程的清晰理解。

基于 ICA 的自动化可以加速清理工作流，但它在经受过训练的人眼审查过的数据上运行最为有效。12% 的污染率听起来可能不高，但当这一比例可能改变医疗决策或掩盖细微的认知生物标志物时，伪影管理方面的投入就与记录的科学完整性密不可分。

参考文献

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

常见问题

脑电图（EEG）伪影的两大类是什么，它们有何不同？

EEG 伪影分为两类：受试者相关的（生理性）伪影，由受试者的身体产生——如眨眼、肌肉紧张、心跳和出汗；以及技术性（非生理性）伪影，源于设备或环境，如电极松动、电缆晃动和工频干扰。这种区别至关重要，因为每个类别都需要不同的预防和消除策略；例如，咬肌爆发需要的干预措施与 60 Hz 线路杂音截然不同。

如何识别脑电波形上的眨眼伪影？

眨眼表现为较大的正向慢波，在额叶电极（如 Fp1 和 Fp2）处最强，并迅速向中央或后部通道衰减。因为角膜相对于视网膜带有正电荷，眼睑扫过该偶极子会产生定型的、高振幅的偏转，通过训练很容易辨认。

为什么肌电活动对脑机接口尤为棘手？

咬牙、皱眉或颈部紧张产生的肌电伪影会产生高频、尖峰状的干扰，通常与认知测量和心理状态监测所在的 beta 和 gamma 脑电波段重叠。这种污染会破坏算法分析，并降低脑机接口模型的性能，使其成为最难处理的生理伪影之一。

工频干扰伪影是什么样的，由什么引起？

工频干扰表现为叠加在每个 EEG 通道上的连续、有节律的正弦波“嗡嗡声”，通常为 50 或 60 Hz（取决于所在地区的电力供应）。它源自电源由于电极阻抗差、屏蔽不足或接地问题对记录系统的电容耦合，显然是一种技术伪影，而不是神经信号。

为什么在记录过程中手动标注伪影很重要？

在测试期间记录大幅度动作、咳嗽或电极调整的实时日志，有助于后续缩小不良数据段的范围，并将盲目猜测转化为可重现的文档。这种手动标注还反映了用于训练自动化分类器的专家标记，提供了可提高手动和计算清理可靠性的真实基准。

对持续噪声明显的 EEG 通道进行插值的目的是什么？

当单个电极由于接触不良或导电膏干涸而在整个记录期间都不可靠时，插值会利用头皮上的空间电压分布，从相邻的干净电极重建该通道的数据。这保留了用于地形图分析的数据集整体维度，避免了如果丢弃整个通道所导致的数据丢失。

独立成分分析（ICA）如何帮助去除伪影？

ICA 将混合的脑电信号分解为统计上独立的源成分，根据它们独特的空间和时间模式分离出眨眼、肌电活动和其他伪影。一旦识别出来，就可以减去某个伪影成分——比如与眨眼匹配的额叶投射成分——从而保留大部分底层神经信号完整，并且比简单的回归方法更有效地处理多个同时发生的伪影源。

自动化伪影去除过于激进有什么风险？

激进的剔除可能会无意中剥离真正的神经信息，因为某些成分同时带有伪影方差和有用的脑活动。即使自动分类器标记了许多成分，建议手动审查要删除的成分，以确保拒绝阈值不会消除对解码用户意图或检测认知生物标志物至关重要的信号。

为什么伪影意识直接影响 EEG 记录的科学严谨性？

伪影可以伪装成病理性波形，或引入扭曲视觉判读和定量分析的方差，从而可能改变临床分类或掩盖微妙的认知信号。在进行任何计算处理之前，预防、记录和手动清理伪影的规范流程必不可少，这能确保从数据中得出的结论可靠且未受污染破坏。