伪影（Artifacts）是由非大脑活动产生的无用信号，它们会干扰脑电图（EEG）的视觉解读，并破坏驱动脑机接口或精神状态监测的算法分析。
无论您是在为癫痫标记物读取原始脑电图波形，还是在将数据输入机器学习管道，未被检测到的伪影都可能伪装成病理性波形，或引入降低模型性能的方差。
本实用现场指南将带您了解两大类脑电图伪影，解释如何识别它们独特的时域特征，并阐述在进行任何计算处理之前仍然至关重要的手动清洁步骤。
EEG伪迹的两大基本分类
在EEG记录中，每一种不需要的波动都源自于以下两个来源之一。与受试者相关的，或生理性的伪迹，是由参与者自身的身体产生的。这些包括眨眼、肌肉紧张、心跳和汗腺活动，所有这些都会产生电场，头皮电极会伴随真正的脑部活动一起捕获这些电场。
技术性的，或非生理性的伪迹，源自于记录设备和环境。电极松动、电缆晃动、放大器饱和以及工频电干扰都属于这第二组。
区分这两大类别是首先需要掌握的技能，因为它们的预防和去除策略在根本上是不同的。咬紧牙关引起的肌肉爆发所需的干预，与通过屏蔽不良的电缆引入的周期性 60 赫兹哼声完全不同。
如何识别受试者相关伪迹
眨眼
眼睛的作用就像一个小化学电池。角膜相对于视网膜带有正电荷，形成一个角膜-视网膜偶极子。当参与者眨眼时，眼睑会掠过这个偶极子并将正电场向上拉，从而在最靠近眼睛的前额电极处产生一个巨大的正向电压偏转。
在时域波形中，眨眼表现为一个高振幅的慢波，在诸如 Fp1 和 Fp2 的额极通道达到最大值，然后当朝向中央或后部导联看时会急剧衰减。因为该波形非常典型，受过训练的眼睛几乎可以立即发现它。
眼球运动和扫视尖峰
当眼睛在不眨眼的情况下侧向移动时，角膜-视网膜偶极子会旋转而不是被覆盖。这会在眼电图信号中产生阶梯状的变化，这可能会渗透到相邻的 EEG 通道中。
此外，在扫视期间外眼肌的快速收缩会产生一个短暂、尖锐的电瞬变，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。它们通常局限于额叶和颞叶电极，并与视线的改变相吻合。
识别它们可以防止错误的临床印象，并避免不必要地丢弃原本干净的神经数据。尖峰的短暂性、它与水平或垂直眼动的一致性，以及它缺乏后继慢波的特征，有助于将其与真正的皮层放电区分开来。
肌肉活动
头皮、面部和颈部肌肉是高频电噪声的多产产生源。当参与者咬紧牙关、皱眉、甚至颈部保持紧张时，运动单位动作电位会异步放电并累加成尖锐、不规则的干扰模式。
在时域中，肌肉伪迹看起来就像是一阵快速、尖锐、低振幅的偏转，叠加在 EEG 之上，通常在颞叶或额叶电极上最为突出。它的频率成分主要位于 20 Hz 以上，深入到许多认知测量所在的 beta 和 gamma 频段，这使得它对于精神状态监测和脑机接口应用特别棘手。
具有紧密排列电极的高密度 EEG 设置有助于定位肌肉源，但第一道防线是指导参与者放松并为头部提供物理支撑。
出汗和皮肤电漂移
由于汗腺活动引起的皮肤电导变化会改变电极与皮肤的接触面。这会引入一个非常缓慢、平滑的基线电压漂移，通常低于 1 Hz，可以漫延数秒钟。
该伪迹不会表现为尖峰或有节奏的嗡嗡声，而是表现为整个波形温和的、波浪状的滚动。它在长时间的记录、温暖的环境中或紧张的参与者中最为常见。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。
心电信号
心脏的电场足够强大，可以到达头皮，尤其是在电极阻抗较高或参考电极位于乳突或耳垂上方的血管附近时。
由此产生的心电图伪迹表现为以心率重复的、规律且尖锐的 QRS 波群——大约每秒一次。它通常会以一致的时间偏差同时渗透到许多通道中，并且在广谱伪迹特征上训练的分类器可以将其与其他污染物一起检测出来。
如果心电波形清晰可见但并非压倒性，通常可以通过记录专门的心电图通道来将其减去；否则，受影响的数据段可能需要手动剔除。
伪迹 | 特征 |
|---|---|
眨眼 | 额叶慢波 |
眼球运动 | 阶梯状移位 |
肌肉 | 高频尖峰 |
出汗 | 基线缓慢漂移 |
心电 | 尖锐的 QRS 波群 |
识别波形中的技术性伪迹
电极跳变和运动相关尖峰
由于导电胶变干、电缆拉扯或电极移位引起的阻抗突然变化，会产生一个陡峭的瞬变，通常称为“电极跳变（Pop）”。这属于像 ADJUST 这样的自动化算法旨在标记的“通用不连续性”类别。
在时域中，电极跳变通常看起来像是一个孤立的极大振幅尖峰，可能会使放大器饱和，在缓慢恢复之前使信号暂时呈现直线。与生物尖峰不同，它周围没有持续的生理活动，通常只出现在单个通道上，这使得它在视觉检查过程中很容易被识别。
Hagmann 等人进行的一项新生儿 EEG研究也同样记录了经常改变振幅整合波形的运动干扰，强调即使是短暂的物理干扰也会产生可测量的污染。
工频干扰
供电电源与记录装置的电容耦合在工频频率下产生连续、有节奏的“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 EEG 波形上，这种干扰表现为叠加在每个通道上的粗正弦波，通常具有一致的振幅。即使是微弱的线路噪声也会掩盖低电压脑电节律，它的出现表明电极阻抗、屏蔽或接地存在问题。
它无疑是一种技术伪迹，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可以直接识别它。
电极松动和电缆移动
当电极未牢固地固定在头皮上或其电缆在记录中途摇晃时，机械干扰会引入不规则的低频波动。这些在单个通道上看起来可能像缓慢、不稳定的漂移或高振幅不规则波的爆发。
这种零星的性质且仅局限于一个电极，立即将这种伪迹与诸如眨眼或肌肉紧张等广泛的生理事件区分开来。实时记录这些时刻，通过缩小不良数据段的搜索范围，可以省去后期的大量精力。
在记录期间预防和记录伪迹
最有效的伪迹管理策略在保存第一个数据点之前很久就已经开始了。
放松的参与者产生的肌肉和眼动伪迹会显著减少。因此，花时间解释实验流程，提供一个带有头部支撑的舒适椅子，并给眼睛一个稳定的注视点，以减少自发的眨眼和扫视。这些步骤是如此基础，以至于在研究论文中很少被详细阐述，但每一篇报告干净数据的研究都暗中依赖于它们。
电极的安放是下一道防线。细致的皮肤准备、足够的导电胶以及精心的电极线排布，可以最大限度地减少环境拾取和运动相关的跳变。
上述婴儿 EEG 研究发现，电和运动干扰发生的频率相似，证实了没有哪个记录环境能对技术问题产生天生免疫。在实验前后检查阻抗，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迹。
最后，在记录过程中保持对可见伪迹的连续记录。记录下任何大幅度动作、咳嗽或电极调整的时间。这种手动标注反映了用于训练自动分类器的专家标记，其中人类评分者标记数据段以作为机器学习算法的金标准。
一个简单的手写时间戳或采集软件中的事件标记就能将猜测转变为可重现的文档。
手动剔除与插值：计算前的清洗
连续波形的视觉检查
在将伪迹去除委托给任何信号处理算法之前，浏览原始数据并使用上述波形特征来识别被污染的区间。
通常建议寻找眨眼特有的额叶慢波、肌肉活动的高频沙沙声、跳变的孤立尖峰或工频噪声的持续正弦波。这一步骤训练您的眼睛将伪迹与真实的脑活动区分开来，并防止自动拒绝对可能在表面上类似于伪迹的罕见高振幅神经事件。
额叶慢波：表示眨眼
高频沙沙声：表示肌肉活动
极大振幅的孤立尖峰：表示电极跳变
持续正弦波：表示工频干扰
标记并排除不良时间段
一旦您识别出一段充满伪迹的数据，请将其标记为排除。这可能涉及记录开始和结束时间，或使用 EEG 分析软件中内置的标记工具。
手动去除受污染最严重的数据段是甚至是最先进的自动化方法都基于的标准。例如，在产生 ADJUST 算法的工作中，专家手动标记了 640 个成分来创建一个训练集，然后针对该手动定义金标准衡量分类器的性能。
手动去除最严重的伪迹可以减轻后续算法的负担，并防止它们在空间滤波步骤中将噪声扩散到相邻通道。
插值一个持续嘈杂的通道
当单个电极由于接触不良、导电胶变干或机械不稳定而在整个记录中都不可靠时，去除该通道并从相邻的干净电极重建其数据可以保持整体数据的维度。
插值利用横跨头皮的空间电压分布来估计坏通道会记录到什么，从而有效地用合理、中性的信号代替伪迹。此步骤保持了数据集的完整性，以便进行拓扑分析，并避免了由于完全丢弃该通道而导致的数据丢失。
为什么手动清洁依然必不可少
即使是最复杂的自动分类器也能从预先清理了严重伪迹的数据集中受益。新生儿研究发现伪迹占用了 12% 的记录时间并影响了临床解释，这说明未去除的污染极易扭曲结论。
因此，手动检查可确保在数据进入有效的计算管线之前，最大且最明显的伪迹已经消除，否则这些伪迹可能会主导方差并误导分解。它还建立起了对数据集的密切熟悉度，这是任何算法都无法复制的。
自动化去除如何支持手动工作
独立成分分析作为剖析工具
一旦最坏的数据段被手动去除，ICA 就可以将剩余的 EEG 分解为统计独立的源成分。该技术解混了头皮电极收集到的脑信号和伪迹信号的混合物，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。
然后，可以识别并减去具有额叶投影且其波形与眨眼信号高度匹配的成分，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迹源，而更简单的基于回归的校正频繁地会过度或欠校正这一任务。
现代分类器的可靠性
自动化方法现在已经达到了与人类专家判断高度一致的性能水平。
一种独立于受试者的线性分类器在从频率、空间和时域提取的六个特征上进行训练，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迹特异性特征的 ADJUST 算法在完全独立的数据集上进行测试时，在 95.2% 的数据方差上与手动专家标记一致，并且其去除伪迹成分的操作实现了对事件相关电位的干净重建。
一种使用自回归模型结合支持向量机的不同方法对跨个体的几种类型的受试者产生伪迹分类的准确率约为 94%。
专门针对眼部伪迹，一种结合了眼动仪信息以客观识别相关成分的算法，其效果几乎是仅依靠成分拓扑结构的人类专家的两倍，实现了大于 0.99 的受试者工作特征曲线下面积。
这些数字并不能取代手动清洁，但表明该领域现在有了可靠的计算助手，可以处理曾经完全由手工完成的重复、大批量的识别工作。
平衡伪迹去除与信号保留
过度激进的伪迹剔除可能会无意中剥离掉真正的神经信息。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% 的最具伪迹特征的 ICA 成分，同时仍保留 BCI 系统用于解码用户意图的判别信息。
这一发现强调了这样一个至关重要的原则：并非每个带有某些伪迹方差的成分都毫无神经信号。对自动分类器选择的成分进行手动审查仍然是明智的，以确认剔除阈值没有跨入有用脑活动的领域。
为什么伪迹意识决定数据质量
伪迹直接影响视觉解释和定量测量。无论是为了临床诊断、神经科学发现，还是消费者健康应用，获得可靠结果的途径都贯穿于对伪迹来源、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过程的清晰理解。
基于 ICA 的自动化可以加速清理工作流，但它在已经被训练有素的人眼检查过的数据上运行最有效。12% 的污染率听起来可能不高，但当该比例可能改变医疗决策或掩盖微妙的认知生物标志物时，在伪迹管理上的投入就与记录的科学严谨性密不可分。
参考文献
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
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
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
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
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
EEG 伪迹的两个主要类别是什么，它们有何不同？
EEG 伪迹分为两类：受试者相关（生理性）伪迹和技术性（非生理性）伪迹。前者由参与者的身体产生，例如眨眼、肌肉紧张、心跳和出汗；后者源于设备或环境，如电极松动、电缆晃动和工频干扰。这种区别很重要，因为每个类别需要不同的预防和去除策略；例如，肌肉爆发需要与 60 Hz 线路哼声不同的干预措施。
如何在 EEG 波形上识别眨眼伪迹？
眨眼表现为一个巨大的、正向的慢波，该波在额叶电极（如 Fp1 和 Fp2）上最强，并向中央或后部通道快速消退。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典型的、高振幅的偏转，通过训练很容易发现。
为什么肌肉活动对脑机接口尤为棘手？
来自咬紧牙关、皱眉或颈部紧张的肌肉伪迹会产生高频、尖锐的干扰，这些干扰通常与认知测量和精神状态监测运行的 beta 和 gamma 脑电波频段重叠。这种污染会破坏算法分析并降低脑机接口模型的性能，使其成为最难管理的生理伪迹之一。
工频干扰伪迹是什么样子的，是什么原因造成的？
工频干扰表现为叠加在每个 EEG 通道上的连续、有节奏的正弦“嗡嗡声”，通常为 50 或 60 Hz，具体取决于该地区的电力供应。它源于由于电极阻抗差、屏蔽不足或接地问题导致电源与记录设置的电容耦合，它显然是一种技术伪迹，而不是神经信号。
为什么在记录过程中手动标注伪迹很重要？
在实验期间保持对大幅度动作、咳嗽或电极调整的连续记录有助于缩小之后不良数据段的范围，并将猜测转变为可重现的文档。这种手动标注还反映了用于训练自动分类器的专家标记，提供了提高手动和计算清洗可靠性的金标准。
插值一个持续有噪声的 EEG 通道的目的是什么？
当单个电极由于接触不良或导电胶变干而在整个记录中都不可靠时，插值会利用横跨头皮的空间电压分布，从相邻的干净电极重建该通道的数据。这保留了数据集用于拓扑分析的整体维度，避免了如果丢弃整个通道将会发生的数据丢失。
独立成分分析（ICA）如何帮助去除伪迹？
ICA 将混合的 EEG 信号分解为统计独立的源成分，根据它们独特的空间和时间模式分离出眨眼、肌肉活动和其他伪迹。一旦识别出来，就可以减去一个伪迹成分——比如带有与眨眼匹配的额叶投影的成分，从而使底层的神经信号在很大程度上保持完整，并比简单的回归方法更有效地处理多个同时发生的伪迹源。
过度激进地使用自动伪迹去除有什么风险？
过度激进的剔除可能会无意中剥离真正的神经信息，因为一些成分同时携带伪迹方差和有用的脑活动。即使自动分类器标记了许多成分，对手动去除哪些成分进行审查仍然是明智的，以确保剔除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。
为什么伪迹意识直接影响 EEG 记录的科学严谨性？
伪迹可能会伪装成病理性波形或引入扭曲视觉解释和定量分析的方差，这可能会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、记录和手动清洗伪迹的严谨过程是必不可少的，以确保从数据中得出的结论是可靠的，且不被污染所破坏。
Emotiv 是一家神经技术领域的领导者，致力于通过易于获取的 EEG 和脑数据工具推动神经科学研究发展。
医疗免责声明：本网站提供的信息仅用于教育和信息参考目的，不作为医疗或健康建议。这些内容可能包含错误，不应作为做出改变生活的健康、医疗或生活方式选择的依据。如果您对医疗状况或治疗有任何疑问，请始终咨询您的医生或其他合格的健康服务提供者。
克里斯蒂安·布尔戈斯
