脑电数据的预处理与降噪

• 脑电数据的预处理：
  • 转化过程，如直接剔除被噪声污染的数据段；
  • 重组过程，如对连续的数据进行剖分，仅提取事件前后的数据。

  • 步骤：滤波、重参考、分段和基线矫正、剔除坏导或坏段、伪迹去除等。

  • 脑电信号中的伪迹：
    • 伪迹大致可以分为两类：生理伪迹和非生理伪迹

  • 

  • 生理伪迹：通常由靠近头部的身体部位的活动造成，身体的移动也会造成生理伪迹。生理伪迹形态较为典型，较容易辨别；
    • 结合其他模态的生物学数据有助于我们检测和区分脑电中的伪迹。
    • 眼电伪迹：
      • 典型特征：幅度大，噪声频率范围宽，对头前区域的影响显著等；
      • 在脑电数据采集的过程中，通常会在眼睛上下方放置电极采集眼电信号，以便可以在离线分析中去除眼电伪迹。
      • 去除眼电伪迹的同时，保留脑电信号的方法：基于独立成分分析的方法，基于回归的方法。
    • 肌电伪迹：
      • 呈尖峰状的高频电活动，主要产生于额肌和颞肌。
      • 额肌放电主要是由用力闭眼造成的；
      • 颞肌放电主要是由咬合、咀嚼和磨牙造成的。
    • 心电伪迹：
      • 在常规的脑电记录中呈现出多种形式；
      • 选用不合适的参考电极可能会增加心电伪迹；（例如用双侧耳作为参考电极，可以有效地抑制心电伪迹）
    • 头皮出汗造成为伪迹：
      • 低频、低幅、呈波浪形的电信号；
      • 由汗水引起直流电的改变，可能会使基线不稳定，还可能导致相邻电极串联。
    • 生物运动可能会导致电极或导线移动，进而产生运动伪迹。
  • 非生理伪迹：来源于多种因素，脑电数据记录过程中的任一环节出现问题都可能产生非生理伪迹。且形态众多，较难区分。
    • 市电干扰：
      • 减少市电干扰的策略：屏蔽电缆，使用电隔离室，尽量让被试远离房间内的各种干扰源，让被试接触地面或选用较短的电线等。
      • 在离线脑电分析中，可通过凹陷滤波来去除市电干扰。
    • 电极的不良放置，会导致非生理伪迹的产生。
      • 应正确放置电极和定期维护电极，使用后清理干净电极；
      • 定期检查电极和导线之间是否有腐蚀现象，绝缘材料是否有损坏，导线是否断裂等等。
    • 放大器噪声也是一种常见的非生理伪迹：
      • 可能由电路中的电子热扰动引起；
      • 使用活性电极（内含额外的低噪放大器）。
    • 电线松动或电路板连接松动也会产生非生理伪迹，可能会导致部分信号的丢失和间歇性故障。

• • 导联方法：
    • 国际10-20系统：

  • 

  • 规定了各个电极在头皮上的相应位置；
  • “10”和“20”表示相邻电极之间的距离为总距离的10%或20%。
  • 当需要记录更为详细的脑电数据时，可将额外的电极使用10%的间隔进行内插（在国际10-20系统基础上），即为MCN系统。
  • 导联：
    • 电极之间的电势差构成了通道，不同通道的组合即称为导联；
    • 导联类型：双极导联和参考导联
      • 双极导联：
        • 通道按纵向或横向呈链状排列，即第一个通道中的第二根导线是第二个通道中的第一跟导线；
        • 因为双极导联记录的是相邻电极之间的电势差，因此选择性的放大了局部电位，所以外部的噪声很容易被消除；
      • 参考导联：
        • 通道代表有效电极和参考电极的电位差；
        • 既可以检测到参考电极与较近的电极点之间的电位差，也可以检测到其与较远的电极点之间的电位差。
        • 容易受到外界噪声的影响。
    • 参考导联记录到的电势差更接近与绝对电势差。

  • 

  • 滤波：
    • 因为市电干扰以及一些低频或高频的噪声的存在，脑电数据预处理过程中常常涉及到滤波，其可以有效减少脑电数据中的噪声；
    • 根据去除和保留的频率不同，有四种滤波器类型：低通滤波器，高通滤波器，带通滤波器和凹陷滤波器。
      • 低通滤波器：

  • 

  • 保留低于某下限频率的低频信号，去除或减弱高于该值的信号。
  • 变光滑。
  • 30Hz的低通滤波器可以用来衰减线路噪声和肌电噪声。
  • 高通滤波器：

  • 

  • 保留高频信号，去除低频信号；
  • 变慢。
  • 高通滤波器在使用时截止频率选择不当，有可能导致波形的失真，并且在波形中产生虚假的峰。
  • 0.1Hz的高通滤波可用来衰减皮肤电位和其他慢电压。
  • 带通滤波器：

  • 

  • 保留某上下频率限值之间的信号，去除在此限值之外的信号；
  • 凹陷滤波器：

  • 

  • 去除某上下频率限制之间的信号，而保留在此范围之外的信号。
  • 常用于消除特定频率的干扰，保留其他频率的信号。
  • 根据伪迹的频率范围选取滤波器，可以有效减少脑电原始数据中的伪迹。
  • 常将滤波作为预处理的第一步，特别是在分段之前，否则将会在分段的边界引入滤波伪迹。
  • 尽量使用较少的在线滤波。
• 重参考：
  • 在线参考电极：
    • 脑电记录系统中的参考电极；
    • 参考转换：
      • 一种线性转换，参考电极的任何活动都会反映在其他电极中；
    • 参考电极应该准确放置，确保其接触良好，否则该电极的噪声也会转化为其他电极的噪声。
  • 重参考：
    • 可在离线分析中进行重参考，因此在线参考电极不是特别的重要；
    • 对于使用活动电极且没有参考电极的脑电记录系统来说，离线的重参考分析十分必要。
  • 参考电极的选择：
    • 尽可能选择远离感兴趣区域的电极作为参考电极；
      • 如，双侧乳突平均（乳突，耳后颞骨上的锥形突起），双侧耳垂电极的平均电压。
    • 平均参考法：
      • 适用于拥有较大密度且分布均匀的电极，且假设所有电极的记录电位值的和为0,同时忽略从颅骨到颈部和身体的电流。
      • 电极数量少于32个，则不适用。
    • 脑电零参考技术（REST）：
      • 获取重要的皮层表面数据的有效方法，也有助于恢复颞叶区域的数据；
      • REST是一种软件的方法；
      • 近似的将头皮上一点或平均电位为参考的记录，转换为以空间上的无限远点为参考电极的记录。
• 脑电分段和基线校正：
  • 脑电分段：
    • 为了研究感觉或认知事件诱发的脑电响应，可以对刺激事件开始前后的脑电数据进行分段，从而提取感觉刺激或认知任务呈现后脑电活动的变化；
    • 选择“0时刻点”，后根据实验程序中的事件编码，将脑电数据划分为多个数据段。
    • “0时刻点”的选择有两种情况：表示刺激相关的脑反应和表示反应相关的闹反应。
      • “0时刻点”从刺激呈现开始，表示刺激相关的脑反应；
      • “0时刻点”从作出反应开始，表示反应相关的脑反应。
    • 分段后的脑电数据维度发生了变化，即从二维（通道×时间）转换为三维（通道×时间×试次）；
    • 分段只是保留了原始数据中的部分信息。
  • 基线校正：
    • 为了消除自发脑电波导致的脑电噪声，分段数据各点减去一个平均基线值（以“0时刻点”前的数据的均值作为基线）；
    • 不同时段的基线均值不同，因此要对每一时段都进行基线校正；
    • 极限校正优待解决的困难：
      • 极限范围的选择；
      • 基线在不同条件间是否存在系统性差异。
    • 对于静息态数据，分段和基线校正是非必要的，但一般也会剖分为几秒的非重叠时段。
• 剔除或插值坏导：
  • 不能准确收集大脑神经生理信息的导联，称为坏导；
  • 坏导在高密度的脑电采集设备中常见；
  • 出现坏导的原因：
    • 通道故障；
    • 电极放错位置或头皮接触不良；
    • 电极间出现串联；
    • 通道饱和；
  • 直接剔除坏导会减少数据中的通道数量，脑电数据矩阵会发生变化（通道×时间×分段）；
  • 不同被试的通道数量可能不同，因此直接剔除坏导不利于建立组间数据；
  • 剔除太多坏导，会导致有效通道的数量太少而不利于数据分析；
  • 对于始终被标记为坏导的数据可以直接剔除，其余坏导的数据可进行插值修复
    • 插值修复：
      • 将所有导联一起投射到一个单位球上；
      • 计算将N个正常导联映射到M个坏导的映射矩阵；
      • 利用该矩阵来计算插值。（所用导联数越多，估计的插值越准确）。
    • 插值修复的坏导不再独立，他的信号是其他导联信号的加权和。
• 剔除坏段：
  • 某些分段试次存在明显的伪迹，因此在脑电研究过程中，会剔除这些被伪迹污染的试次（坏段）。
  • 肌电伪迹主要集中在15~40Hz，当感兴趣的数据为15Hz以上的的高频数据时，需要注意剔除被肌电伪迹污染的坏段；即使感兴趣的频率没有超过15Hz，也要提出肌电伪迹明显的坏段；
  • 坏段剔除方法：
    • 手动剔除：
      • 基于交互界面直观的检查数据；
      • 存在争议：
        • 坏段波动太大，对事件诱发响应的影响较大；
        • 坏段剔除较难重复，不同的操作者可能有不通的判断标准。
    • 自动剔除：
      • 通过比较脑电的峰间差值，若峰间差值超过预设值，该时段被视为坏段，并剔除。
      • 自动剔除的方法可能会剔除大量数据，从而降低平均诱发电位的信噪比。
      • 可能带来的错误：
        • 该保留的被拒绝；
        • 该拒绝的被保留。
    • 有时也会剔除被试反应错误的试次。
• 基于ICA的伪迹去除：
  • ICA:
    • 用一种解线性方程组的估计方式求解信号源，是一种解决盲源分离问题的有效方法。
    • 脑电分析中，ICA试图识别脑电数据中的独立变异源。
    • 原始数据的每一行表示各个通道和参考通道之间的电势差随时间变化的情况；

• 对ICA进行分解后，每一行数据代表着从通道数据进行空间滤波后独立成分随时间变化的情况。

• ICA分解原始数据后，将分离的独立成分划分为伪迹相关成分，剔除那些被标记为伪迹相关成分，并对其他数据进行重新组合。
• 可通过ICA分解成分的地形图，试次间分布图和频率分布图来识别伪迹的相关成分。
  • 较为典型的异常成分地形图表现：
    • 在地形图中，能量只集中在额叶；
    • 地形图不连续；
    • 地形图受限于单个电极。
  • 较为典型的异常成分试次间分布图表现：
    • 时间段不一致；
    • 周期波形；
    • 噪声模式。
• ICA主要被用来去除眼动和心跳带来的伪迹。
• 预处理步骤总结
•