脑机融合控制中脑电伪迹处理方法

熊 馨，杨秋红，周建华，徐保磊，李永程，尹旭贤，伏云发

(1.昆明理工大学 信息工程与自动化学院，云南 昆明 650500；2.中国科学院沈阳自动化研究所机器人学国家重点实验室，辽宁 沈阳 110016)

0 引 言

脑机交互是一种新型的人机交互方法，有别于传统的依赖大脑外周神经和肌肉的交互方式，它通过有意识的和自发的调节脑电波与计算机进行交互，能够增强人的能力[1].进一步，脑机融合控制(或脑控)(Brain-computer/machine integration control, BCIC/BMIC)是将脑机接口应用于控制之中，是一种具有在线实时神经反馈的双向交互作用和控制方式[2]，它能够使用户大脑与计算机/机器集成融合，实现双边自适应的沉浸式交互和融合[3].目前，这种BCIC/BMIC已成为国际前沿研究热点，研究旨在变革传统的人机交互和融合方式，提高人类的生活质量.这类BCIC/BMIC系统的典型控制信号源是脑电(Electroencephalogram, EEG)，其在头皮采集，每个电极的记录值是大量神经元电活动的综合结果[4].尽管该采集方法无创、设备便携，价格不昂贵，其时间分辨率高适合实时控制，然而EEG信号信噪比低、空间分辨率低、含有强的伪迹(如眼动伪迹、肌动伪迹、电极移动和线路噪声等)，这给BCIC/BMIC中脑电信号的处理带来了巨大的挑战[5].

1 脑电中存在的伪迹

脑电信号是一种非线性非平稳性的中枢神经电生理信号，具有丰富的节律活动(其常用的频带范围为0～30 Hz，gamma波则高于30 Hz),并且其瞬变响应中也含有丰富的波形信息(如幅值、潜伏期和相位等事件相关电位(Event-related potentials, ERPs)信息)，它们隐含着一定的神经科学含义，可表征大脑功能的动态变化.

然而脑电信号是大脑皮层神经元群同步放电经由皮层、脑脊液、硬膜、颅骨与头皮等多层组织传递到放置于头皮的电极采集得到，极易被污染，很可能使得EEG中隐含的大脑功能信息被伪迹掩盖，甚至得出错误的结论.环境、采集设备及用户/被试各种不同的情绪或状态也会影响脑电[6-7]，产生各种伪迹.这些伪迹主要包括非生理性伪迹和生理性伪迹，非生理性伪迹主要由被试运动、采集设备、环境干扰等引起的；而生理性伪迹主要由眼睛活动(简称眼动)、肌肉活动(简称肌动)、心脏活动(简称心动)等引起[8].

在生理性伪迹中，最突出的是眼睛运动引起的伪迹，包括眨眼，眼球运动和额外的眼部肌肉活动[9].眨眼伪迹是因为眼皮和角膜接触引起了导电，可以由眼眶上部和下部位置记录信号的差值(垂直眼电，Vertical EOG/VEOG)来表征.眨眼能够持续200～400 ms，其电压的幅度是EEG信号的10倍.眼球运动是另一种类型的电信号，在两个EOG通道(右眼角外侧通道减去左眼角外侧通道，即水平眼电(Horizontal EOG/HVEOG)，或者垂直眼电VEOG)最明显.这类电信号幅度在0.4～1.0 mV之间，近似于两眼之间的一个偶极子[9].此外，扫视的眼球运动会产生瞬态肌电位，称为扫视峰值电位(Saccadic spike potentials，SPs)[9].

肌电(EMG)是EEG中另一个主要的伪迹，由头颈部的肌肉运动引起的.头部的肌电伪迹主要来自额、颞、耳后、枕部以及颈部肌肉的收缩，如颈部肌肉紧张(枕部导联)、吞咽(常出现在各个导联，以颞部导联最明显)、皱眉(额前部导联)、咬牙等运动.这种肌电伪迹的特点是频率快(20 Hz～1 kHz)，波幅较高(以毫伏计量)，常表现为连续性的各种频率的尖头脉冲，还可表现为密集爆发的尖头脉冲[10].

心电伪迹在EEG中也较常见，每次心脏收缩都伴随出现心电，心电几乎在身体的任何部位都能检出，并可扩展到头部，呈现一种有规律的且与心跳一致的棘波样或尖锐样波(相对心电图的R波).常见于颞部导联和耳垂无关的电极，有时也可见于全部导联[11].

环境中电磁场对脑电电极(EEG electrodes)干扰很大，显著的电力线干扰(50 Hz或60 Hz)常常产生高的电极阻抗或阻抗不匹配.电极松动，或者被试运动，都会导致电极阻抗发生瞬时变化，出现尖峰脉冲.此外，EEG电极接地不良可导致显著的50或60 Hz伪迹.另外进行静脉滴注时，可导致节律性的、快速的低压脉冲，这可能被误认为尖峰脉冲[11].

值得注意的是，上述这些伪迹在脑电中往往并存，在采集脑电期间的任何时刻(时域)、在宽的频带(频域)、在多个脑区的电极上(空域)都有可能引入伪迹.在脑机融合控制系统中，影响系统性能，对EEG信号污染最大的是眼电伪迹和肌电伪迹，它们在时域、空域和频域的特征都不同.在第2部分讨论的伪迹处理方法，尤其是目前流行的空域滤波器主要针对这两种伪迹进行处理.

2 脑电伪迹处理方法

2.1 避免伪迹

处理伪迹的第一步是避免伪迹(Artifact avoidance)出现.该预防措施要求被试保持不动和尽量避免不必要的眨眼、眼球/身体的运动.避免产生伪迹的优点是：在后续处理伪迹时能够减少脑电数据损失并可降低计算复杂度.但这种方法存在以下几个缺点：首先，有些生理伪迹是无意识产生的，用户不能或难以控制，如心跳，心电(Electrocardiogram, ECG)伪迹将一直存在EEG中；其次，在线BCIC/BMIC系统的操控及移动EEG动态监护仪中，用户的眼睛活动(眼动)和肌肉活动(肌动)是无法避免的，尤其是长时间的EEG应用；另外，难以限制特定被试眨眼或限制他们长时间不动，如儿童或精神障碍患者.最后，避免伪迹的方法会给用户增加额外的认知负荷,比如已经证明限制眨眼会导致某些诱发电位的幅度改变[12].

2.2 剔除伪迹

剔除伪迹(Artifact rejection)是剔除被伪迹污染的EEG数据段，这是处理含有严重伪迹的EEG最简单的方法.与避免伪迹方法相比，该方法的优点是：可以允许用户/被试适当的眼动和肌动，减少对他们的过多限制，提高舒适度，也减少他们由于克制眨眼或身体动作而产生的额外认知任务或心理负担；该方法的缺点是：剔除数据段会导致EEG数据丢失[13]，使得后续分析可用的试次(trials)数减少，甚至不具有代表性，特别是在视觉追踪任务中.

2.3 去除伪迹

去除伪迹(Artifact removal)是指从EEG中移走伪迹，留下相对干净的EEG，也称为校正伪迹.与上述剔除伪迹方法相比，该方法并不剔除被伪迹污染的EEG数据段，但可能存在去除伪迹不彻底，得到的EEG中仍然含有少量伪迹；其次，去除伪迹时，也有可能把有用的EEG信号去除了.去除伪迹的主要方法包括：

1)偶极子方法.较早采用的方法，现在很少使用.

2)时域滤波器.主要包括：(1)有限冲击响应滤波器(Finite impulse response，FIR)和无限冲击响应滤波器(Infinite impulse response，IIR)；(2)回归方法；(3)自适应滤波器.FIR和IIR是较早用于去除伪迹的方法，但是当伪迹与感兴趣的EEG在特定频带上重叠时，不适合采用该方法；回归方法和自适应滤波器，也是较早用于去除伪迹的方法，但是都需要采集伪迹的通道作为参考通道.

3)空域滤波器.主要包括两大类：(1)独立于数据的空域滤波器，如共同平均参考(Common average reference，CAR)和表面拉普拉斯算子(Surface Laplasse operator，SLO)；(2)依赖于数据的空间滤波器，主要包括主成分分析(Principal component analysis，PCA)、盲源分离(Blind source separation, BSS)、经验模式分解(Empirical mode decomposition，EMD)和共空间模式(Common spatial pattern，CSP).其中BSS主要有两种，独立成分分析(Independent component analysis，ICA)和典型相关分析(Canonical correlation analysis，CCA).这些方法在2.3.3节详细论述.

4)小波变换.包括小波包变换和离散小波变换等.

5)混合方法.依赖于数据的各种空间滤波器、小波变换、有/无监督的分类器等相结合的混合方法，是目前去除EEG中伪迹的主流方法，可以发挥各种方法的优势.

2.3.1 偶极子方法

Berg[14]提出采用时空偶极子模型的方法去除眼电伪迹，但是该方法需要快速扫视、眨眼以及其它眼动偶极子数目的先验假设，假定这些伪迹有简单的偶极子结构.这种方法的主要缺点是不精确的偶极子模型可能会导致源定位的不精确.目前很少将偶极子方法用于去除伪迹，但有少量的文献在去除伪迹之后，采用偶极子方法进行源定位，以验证去除伪迹方法的效果.

2.3.2 时域滤波方法

1)FIR和IIR方法

早期用于临床研究的时域滤波器包括有限冲击响应滤波器(FIR)和无限冲击响应滤波器(IIR).FIR是一种不需要过去输出值反馈的加权滑动平均滤波器，其对所有频率引起的时间延迟相同，不会因与频率相关的延迟而改变输出信号的形态.FIR的主要缺点是滤波器的长度会随着所期望的幅频响应过渡的锐利程度而增加，需要较长的滤波器长度才能获得理想滤波器那种非常锐利的过渡[6-7].IIR可以看作是两个FIR的组合，其中一个包含了现在和过去的输入，而另一个包含了过去的输出.IIR的主要优势是可以采用较少的输入和输出样本权重来产生尖锐的幅频响应.然而，IIR具有非线性的相位响应，除非经过特殊设计，否则不同频率的信号成分具有不同的时间延迟[6-7].因此，在对EEG进行时域滤波时，特别是在研究ERPs时，为防止相位变化，建议选择FIR[10].

2)回归方法

回归(Regression，REG)方法是一种利用观测信号和参考信号的多模式线性模型，是识别伪迹的一种传统方法.该方法主要包括时域回归方法[15]和频域回归方法[16].其中的时域回归方法如式(1)所示.

(1)

3)自适应滤波器方法

图1 自适应滤波器示意图Fig.1 Diagram of adaptive filter

2.3.3 空域滤波方法

空域滤波(Spatial filtering)方法的目的通常是为增强某个特定脑源或脑区的敏感性(Sensitiveness)，提高源或区的局部性或特异性(Local and Specificity)，可看作是在一定程度上改善空间分辨率(Spatial resolution)，同时它能够抑制特定的伪迹.空间滤波器(Spatial filter，SF)一般可由不同通道的线性组合(即权重和)来实现，可用如下矩阵方程式(2)表示：

(2)

进而用简练的矩阵符号表示为：

Y=WX

(3)

式中：X的每一行由N个通道的P个连续采样的数字信号构成，W中的每一行是构成某个特定空间滤波器的N个通道的权重集，Y中的每一行是获得的空间滤波通道(M个空间滤波通道×P个样本).实质上，Y中每个空间滤波后的通道均是X中所有通道的权重和，通道权重对应W中的行.有几个决定空间滤波器权重集合W的常用方法，这些方法可以分为两大类：独立于数据的空间滤波器和依赖于数据的空间滤波器[6-7].主要的空间滤波器方法如图2所示.

图2 主要的空间滤波器方法Fig.2 Main spatial filters

1)独立于数据的空间滤波器

独立于数据的(Data-independent)空间滤波器通常采用固定的几何关系来确定空间滤波器的权重，因此独立于要滤波的数据.该类滤波器具有特定的局部或全局特性，这种特性在很多应用中非常有效.McFarland等人论述了采用适当的独立于数据的空间滤波器对脑-机接口(BCI)的价值[20].图3是几个独立于数据的空间滤波器示意图，包括共同平均参考(Common-average reference，CAR)和两个表面拉普拉斯空间滤波器(Surface Laplacian spatial filter，SLSF).

(a) 耳参考 (b)共同平均参考 (c) 小拉普拉斯算子 (d) 大拉普拉斯算子 (a)Ear reference (b)CAR (c)Small Laplacian (d) Large Laplacian 图3 四种独立于数据的空间滤波器[6-7]Fig.3 Four data-independent spatial filters

2)依赖于数据的空间滤波器

与独立于数据的滤波器不同，依赖于数据的(Data-dependent)空间滤波器可直接从每个BCI被试/用户的数据得到.虽然这类滤波器在求导和空间几何方面更加复杂，但它们却能对某个特定用户或应用产生更精确的结果，这在对相关脑活动的详细信息知之甚少的情况尤其有用.依赖于数据的滤波器通过对公式(3)中的权重矩阵W施加约束并进行推导得到，由于Y中包含了所有原始通道的线性组合，施加在W上的限制通常设计为线性组合原始通道X以便在Y中产生更少、更有意义或更局部化的通道，从而有效地降低要解决问题的维度.依赖于数据的空间滤波器方法主要有：主成分分析(Principal components analysis，PCA)、盲源分离(Blind source separation，BSS)、经验模态(Empirical mode decomposition，EMD)、共同空间模式(Common spatial patterns，CSP)和任务相关成分分析(Task-related component analyse,TRCA)，如图2所示.部分算法的去伪迹效果如图4所示[21].

图4 不同算法去眼动伪迹效果[21]包括回归方法(REGRESSION, FILTERED REGRESSION)、基于二阶统计量的盲源分离方法(PCA, AMUSE 和 SOBI)和基于高阶统计量的盲源分离方法(JADE, INFOMAX 和 FASTICA)Fig.4 Different ocular correction techniquesThe methods applied include regression analysis(REGRESSION, FILTERED REGRESSION)and blind source separation (BSS) techniquesbased on second-order statistics (PCA, AMUSE and SOBI) and on higher-order statistics (JADE, INFOMAX and FASTICA).

(1)主成分分析(PCA)

PCA的基本思想是利用正交原理将原来相关的自变量变换为另一组相互独立的变量, 即主成分，然后从中选择一部分重要成分作为自变量，此时丢弃了一部分不重要的自变量，最后利用最小二乘方法对选取主成分后的模型参数进行估计.利用PCA可把EEG信号分解为互相独立的成分，去除不需要的伪迹成分，然后再重构EEG[22].文献[22]将PCA方法与回归方法及偶极子方法进行比较，实验结果表明PCA方法效果更好，但是PCA的一个局限是：当伪迹和EEG信号相似、幅值相当时，则不能分离伪迹[23-24].

(2)盲源分离(BSS)

BSS是在信号的理论模型和源信号无法精确获知的情况下，如何从混合信号(观测信号)中分离出各源信号的过程.它是一类功能强大的信号处理方法，在生物医学信号处理[25-26]、阵列信号处理[27]、语音信号识别[28]、图像处理[29]等领域得到了广泛的应用.BSS的主要假设是信源的数目等于(或小于)观测通道的数目，且信源是彼此独立的(对于独立成分分析，Independent Component Analysis，ICA)或彼此不相关(对于典型相关分析，Canonical correlation analysis，CCA).

a. 独立成分分析(ICA)

Vigario[25]和Jung[18]提出利用ICA去除EEG中的伪迹，之后很多研究者采用ICA方法去除眼电和其它生理性伪迹.迄今，已提出的经典ICA算法有：Infomax[30]、FastICA[31]、SOBI(Second-order blind identification)[32]和BGSEP(Block Gaussian Separation)[33].其中SOBI和BGSEP使用的是二阶统计量，而Infomax和FastICA使用高阶统计量.基于ICA去除EEG中伪迹的主要问题是：不能自动去除伪迹，ICA分解后需要人工视觉识别并去除伪迹成分.人工识别伪迹成分的缺点是：其一，这是一个主观过程，不同的数据集生成的成分也不一样；其二，对于长时间或大量被试的EEG记录，很耗时.然而，一些文献中提到基于ICA的方法能够自动去除伪迹，其实是通过把该方法和其它方法相结合来识别出伪迹成分，如结合小波变换(Wavelet transform，WT)、经验模态分解(Empirical mode decomposition，EMD)等方法提取时域、频域的统计特征，或者与支持向量机(SVM)、神经网络(NN)等分类器相结合，甚至利用参考电极[34].

实际上，上述方法识别出的伪迹成分中可能仍然含有神经信号，完全去除伪迹成分，然后重建EEG信号，会导致EEG信号失真.此外，基于ICA去除伪迹的方法不能用于处理单通道EEG数据，因为ICA算法中通道的数量必须等于独立源的数量[35].另外，ICA一个更严重的限制是：它需要大量的观测值(数据点)以生成稳定的独立成分，所需要数据点的数目通常为kC2[13]，其中k是乘数因子，一般设定为25[36]，C是分量的数量；假设一个256通道的记录，为了寻找256个独立成分需要的数据量是25×2562=1 638 400个数据点，在采样率为1 000 Hz的情况下，几乎需要30 min的数据.然而在这段时间内伪迹和脑电信号均发生了显著的变化，这些变化意味着不再满足ICA空间稳定的假设[37].

为了解决上述这种高维观察值的问题以及长时间记录引起不满足空间稳定假设的问题，常在ICA之前采用PCA来降低数据的维数[13].作为经验准则，应用PCA的最小样本尺寸是每个变量5个样本(对于EEG记录，则每个通道需要5个采样点)[38]，这远远小于ICA所需要的kC2的数据量.因为PCA采用相关矩阵的奇异值分解，而ICA采用更高阶的统计量，因而需要更多的样本来获得稳定解.尽管小数据集也能够通过采用PCA+ICA的方式来处理，但如果PCA定义的正交基不能很好地捕捉信息，那么截断维数将冒着丢失重要数据信息的风险.Hou[39]针对高维EEG数据问题，利用计算机科学中的分治策略，随机选择EEG通道的子集，进行ICA分解；之后，为了表征每一个独立成分的特征，采用伪迹模型来匹配每一个成分，进而计算伪迹相关指数(Artifact relevance index，ARI)；最后根据成分的ARI的统计分布来自动识别伪迹，该方法与PCA+ICA方法相比，其均方误差更小.

b. 典型相关分析(CCA)

典型相关分析(CCA)是一种研究两组变量之间相关性的多元统计学方法，通过把多通道EEG信号典型相关变量中与伪迹干扰相关的那部分分量置零，从而去除伪迹对各个通道EEG信号的影响.该方法要求的条件较弱，需要计算不相关的成分，而ICA需要计算彼此之间统计独立的成分；ICA没有考虑时间相关性，而CCA通过计算不相关成分解决了这一点[40]，当时间相关性最优时，空间相关性为0；CCA将成分集按照从最大自相关到最小自相关排列，最小自相关的成分很可能是伪迹.与ICA相比，CCA的优势是自动化和计算更有效.

(3)经验模态分解(EMD)

经验模态分解(Empirical mode decomposition，EMD)是一种经验和数据驱动的方法，适合应用于非平稳、非线性和随机的过程中，因此它也适合用于EEG信号分析.但是EMD的计算复杂度非常大，不适合在线脑机融合控制应用，而且EMD背后的理论仍然不完备，目前主要用于实证研究，因此难以在所有的EEG记录中预测其鲁棒性[8].Patel[41]采用集成EMD(Ensemble Empirical Mode Decomposition, EEMD)与PCA相结合去除眼电伪迹；Chen[42]采用EEMD与联合盲源分离(Joint-BSS，JBSS)相结合去除单通道肌电伪迹；Zeng[43]采用EMD与稳定子空间分析相结合去除眼电伪迹，这些方法取得了一定的去除伪迹的效果.

(4)共同空间模式(CSP)

共同空间模式(Common Spatial Patterns，CSP)是一种与PCA密切相关的方法，其不同之处在于CSP采用了任务条件标签(如运动想象相对清醒放松状态，向右移动光标相对于向左移动光标等)确定权重W，并使得对应的分量对某个条件产生最小方差而对其它条件产生最大方差，反之亦然.因此，CSP是用于区分两个任务条件的最优空间滤波器.与PCA和ICA类似，只保留相关的CSP分量；降维之后的CSP信号矩阵已是区分任务条件最优的矩阵，因此所获得的CSP映射可以直接传递给转换算法而不需要进一步的特征提取.同样，通过转化滤波矩阵W在空间上描绘其分量，可以对不同任务条件对应的真实空间模式进行可视化[6-7,44-46].

(5)任务相关成分分析(TRCA)

任务相关成分分析(TRCA)是目前稳态视觉诱发电位(Steady-state visual evoked potentials，SSVEP)识别最流行的算法之一[47-48]，该方法假设脑电信号由任务相关信号和任务无关信号组合而成，任务相关信号可以通过求解空域滤波器W得到，求解方法可以通过协方差最大化或者相关性最大化实现.该方法在SSVEP中最大化多个试次(trials)之间的复现性，能够提高信噪比，抑制自发脑电活动，能将平均信息传输率(Information transfer rate, ITR)提升到325.33 b/min[48].

2.3.4 小波变换

EEG信号具有非平稳特性，适合采用非平稳时间序列的时频分析方法，同时分析时域和频域，这方面的应用研究文献较多.传统的时-频表示是基于短时傅里叶变换(Short time Fourier transform，STFT)，但该方法不是很有效，因为它在所有频带上都有相同的时-频分辨率.对于EEG信号，频带为0.5～120 Hz，但在大多数时候，我们感兴趣的信号<30 Hz；很多伪迹出现在低频区(<10 Hz)，特别是运动和眼电伪迹.因此，需要在低频区有很高的频率分辨率，但STFT不能提供，而在傅立叶变换基础上发展起来的时频分析方法——小波变换(Wavelet transform，WT)能够解决这个问题，小波变换系数能同时反映信号在时域及频域的局部信息，它能在每个频带上提供合适的分辨率，因而特别适合像EEG这类非平稳信号的处理.

基于小波理论的技术有小波包变换(Wavelet packets Transform，WPT)、小波逼近和分解(Wavelet approximation and decomposition)、平稳小波变换(Stationary wavelet transform, SWT)和离散小波变换(Discrete wavelet transform，DWT)，其中应用最广泛的是离散小波变换.可通过DWT，把EEG信号分解为细节系数和逼近似系数，对系数采用阈值法去除伪迹，然后再进行重构获得无伪迹的EEG信号[49].

2.3.5 混合方法

上述去除EEG中伪迹的方法各有优势和局限性，可结合不同方法的优势来检测和去除伪迹，这是最近几年发展的趋势.最典型的一种混合方法是BSS+ WT，该方法组合了 BSS和WT这两种流行的方法，其主要思想是：由BSS分离出的伪迹成分中还包含有残余的神经信息，如果完全去除这样的成分将会在重建EEG时导致显著的失真.因此，在把多通道EEG数据集转换成独立分量(Independent components，ICs)或相关分量(Correlated components，CCs)后，对可能的伪迹成分进行小波分解，然后含有伪迹的小波系数通过阈值法去除，最后保留残余的低幅度的神经信号.如混合方法ICA+WT[50-53]和CCA+WT[54]分别把ICA和CCA方法与WT相结合，也是首先对EEG进行ICA或CCA分析，然后再进行WT.类似的混合方法也可用于少通道或单通道EEG数据去除伪迹，但此时需要颠倒BSS和WT的次序，即WT+BSS，首先对少通道或单通道EEG数据进行小波分解，然后各小波系数通过BSS从神经信号中分离出伪迹[55].

其次还有回归(REG)与BSS相结合(REG+BSS)[56]；DWT与AF相结合(DWT+AF)[57]，EMD与AF相结合(EMD +AF)[58]；SOBI与SWT相结合(SOBI+SWT)[59]，SOBI与WPT相结合(SOBI+WPT)[60]；集成经验模式分解(EEMD)与PCA相结合(EEMD+PCA)[42]，EEMD与联合盲源分离(JBSS)相结合(EEMD+JBSS)[43]；局部均值分解(Local mean decomposition，LMD)与典型相关分析(CCA)相结合(LMD+CCA)[61]，DWT与CCA相结合(DWT+CCA)[62];WPT与EMD相结合(WPT+EMD)[63]，相关分量与SWT相结合(CCs+SWT)[59].

特别是与ICA相结合的混合方法有：ICA与递归最小二乘法(Recursive least squares，RLS)相结合(ICA+RLS)[64]、快速ICA与DWT相结合(FastICA+DWT)[65]、受约束的ICA与WT相结合(Spatially constrained ICA+WT)[66]、ICA与线性规划机(Linear programming machine，LPM)相结合(ICA+ LPM)[67]、ICA与流形学习(Manifold learning，ML)相结合(ICA+ ML)[68]、ICA与偶极子模型(Dipole model，DM)相结合(ICA+ DM)[69].

还有一类混合方法是EEG信号的统计特征与其它方法相结合，如可用作分类器的特征输入，又如在基于小波/ICA/EMD方法中，统计特征可用作阈值判断，以便识别伪迹系数或成分[14].可采用的统计特征包括：熵(近似熵[67,70-71]、样本熵[39,67,70-71]、瑞利(Renyi)熵[55]、香农熵[67]和排列熵[71])、峰度[67,72-73]、过零率[72]、分形维[74]、和能量[13]等.

已有文献的实验研究表明本节所述这些混合方法在检测和去除EEG中伪迹时均取得了一定的效果，然而，多数文献是定性地评估所报道方法的有效性，定量评估性能的较少；值得注意的是，目前尚没有统一的定量评估不同方法检测和去除EEG中伪迹的性能.

3 脑电伪迹处理方法比较

3.1 性能评价比较

比较不同方法去除EEG中伪迹的性能是困难的，目前尚没有金标准数据集以及标准的量化评价指标，迄今已有文献的验证方法不尽相同.对于验证数据集，除了在真实的EEG数据集(多数是研究者采集的EEG数据)上验证以外，有研究者采用合成数据，即无伪迹的EEG信号和伪迹信号均由仿真数据获得，还有研究者采用半合成数据，如从EOG通道获得眼电伪迹，然后把其添加到无伪迹的EEG信号中.对于评价去除EEG中伪迹的性能，有的采用专家视觉评估，但这种评估具有主观性；更多的研究采用一些客观方法来评价去除伪迹算法的效果，如比较去除伪迹前后的曲线，采用的衡量指标有：相关系数[39,59,75]、平均相关均方差[39]、相关均方根误差[42]、均方根误差[41,63]和标准均方误差[65,75]；伪迹-信号比率[63]、信噪比[42]；还有互信息[43,66,75]、时-频分析[44]等.

到目前为止，研究者已对一些EEG伪迹去除方法进行了性能比较.Khatun[75]比较了基于小波变换去除单通道EEG的伪迹，采用两种常见的WT(DWT和SWT)及四种小波基(haar、coif3、 sym3和bior4.4)，利用一般阈值和统计阈值去除伪迹.Jung[76]采用ICA方法去除眨眼和眼动伪迹，并与阈值剔除、回归和PCA方法进行比较，实验结果表明基于ICA的方法好于另外3种方法.Kirkove[77]归纳已有文献中提出的11种去除伪迹方法，发现这些方法主要由3大类方法：WT(SWT和DWT)、AF(LMS、RLS和H∞-TV)和ICA(Infomax、FastICA和BGSEP)组合形成的混合方法；然后该研究者根据这3大类方法又提出了16种新的混合方法，最后在公共数据集上测试了这27种方法的性能，验证结果表明，SWT+ H∞-TV和SWT+ICA的效果最好，而SWT的效果最差.Ghaderi[78]比较了6种去除伪迹的方法：回归、AF、Infomax、SOBI和基于ICA的两种方法：ADJUST和相关(Correlation)，并把去除伪迹后的EEG数据用作P300(Oddball范式)单次trial的识别，实验结果表明Infomax和ADJUST联合性能最好(所有被试的识别精度平均改善0.6%)，而SOBI 和Correlation最差.Cassani[79]比较了3种方法：统计伪迹剔除(Statistical artifact rejection，SAR)，BSS+SOBI+CCA和小波增强的ICA (Wavelet enhanced independent component analysis，WICA)，实验结果表明WICA算法的去伪迹性能最好.Daly[74]比较了3种去伪迹方法：WT、BSS和多元奇异谱分析(Multivariate singular spectrum analysis，MSSA)，实验结果表明，BSS的性能最好，其SNR最高，而MSSA的SNR最低，产生了大量的假阳性.Safieddine[80]比较了4种去除肌电伪迹的方法：ICA、CCA、EMD和WT，实验结果表明EMD的性能最好.Romero[21]比较了7种去除眼电伪迹的方法：回归方法、PCA、AMUSE(Algorithm for multiple unknown signals extraction)、SOBI、JADE(Joint Approximate Diagonalization of Eigen-matrices)、Infomax和FastICA，实验结果表明AMUSE和SOBI的性能最好.

3.2 人工、半自动与自动以及自适应性比较

人工识别EEG中伪迹成分或数据段非常耗时，对于多通道长时间数据序列更耗时，然而大部分基于EEG的应用需要自动去除伪迹，特别是对于在线/实时系统.因此，研究者提出了许多自动去除伪迹的方法，或利用一些有用的先验信息，或利用伪迹的统计量/特征.在这些方法中，基于BSS的方法有时是半自动的，因为识别伪迹成分可能需要一些训练数据或对参数进行选择/调节.此外，如果要把ICA方法用于自动伪迹检测，那么在其得到独立分量后需要有另一个方法或步骤来识别伪迹分量，使整个过程自动化，前面2.3.5节论述的与ICA相结合的各种混合方法其目的就是自动检测和去除伪迹.

需要注意的另外一个问题是：去除EEG中伪迹的算法应该具有自适应能力，即鲁棒性，这是因为不同的用户/被试在不同的应用环境中，伪迹的类型多种多样，不同的伪迹会不同程度地污染EEG信号.因此，去除EEG中伪迹的方法应当对伪迹的类型、伪迹的持续时间、被试的多变性、环境的多变性具有自适应能力.

3.3 离线与在线实时性比较

基于EEG的应用可以分为离线分析和在线实时应用，应根据具体问题来选择合适的算法.在EEG信号的离线分析中，可以选择性能更好的算法，而不考虑计算的复杂度(时间复杂度和空间复杂度)，目前关于EEG信号去除伪迹的多数文献属于这一类.但是在EEG信号的实时应用中，如BCI系统，癫痫发作检测等，需要快速地在线去除伪迹算法，要求把EEG信号的处理时间延迟控制在40 ms以内较为理想[81].然而研究在线系统中去除EEG伪迹方法的文献较少，并且尚没有离线分析的文献比较这些方法的效率和速度.Kroupi[82]比较了常用的ICA方法(SOBI、Imfomax和FastICA)、PCA和递归最小二乘(RLS)自适应滤波器，对它们的精度和时间进行了比较，实验结果表明PCA和RLS自适应滤波器的速度最快，ICA的速度最慢但性能最好；由于在线系统对速度的要求更高，宜采用PCA和自适应滤波器算法.

3.4 多通道与少/单通道比较

在少通道(如4～6)或单通道的EEG应用(如便携式麻醉深度监测、便携式睡眠监测、便携式情绪状态识别、癫痫患者移动监护仪或移动BCI假体)中，采用的通道数量少，包含的有效信息较少，缺少参考通道，限制了能采用的去伪迹方法.需要参考通道的回归方法和自适应滤波器方法，不适合用于少/单通道应用中；而在去除EEG伪迹方面较成功的BSS方法也不宜直接采用，该类方法需要多通道，通道的数量越多分离独立源的效果越好.针对上述限制，可以考虑先采用WT和EMD方法将单个数据序列分解为多个成分(WT的近似系数和细节系数或EMD的IMF)[8,83]，然后再采用基于BSS的方法去除伪迹，如图5所示.

图5 基于WT-BSS或EMD-BSS方法去除单通道EEG信号的伪迹Fig.5 Removing artifacts from single channel based on WT-BSS or EMD-BSS

3.5 不同EEG应用中采用不同的去除伪迹方法[8]

目前尚没有适合于所有EEG应用的去伪迹方法，实际上，不同的EEG应用中应采用不同的去除伪迹方法，以满足不同的性能要求.对于在线实时应用，如果能够获得参考通道，回归方法和自适应滤波器是合适的解决方案.然而在类似移动EEG监护仪这样的应用中，往往通道数量较少，一般不设置参考通道，并利用无线传输EEG信号，此时宜采用免参考通道、少或单通道记录、计算量小的去伪迹方法，如基于小波的方法，而基于BSS的方法不适宜少通道；如果能够获得关于EEG伪迹的先验知识以及一些训练数据，且应用只要求识别伪迹而不需要去除它们，那么采用基于机器学习的分类器较合适；如果EEG记录涉及到高密度通道，那么在应用去伪迹方法(如基于BSS的方法)之前最好采用PCA进行降维；如果应用是基于离线分析，且能够承受高昂的计算代价，那么可以考虑采用基于ICA或EMD的方法.

4 未来研究方向:走向实用化的BCIC/BMIC中EEG伪迹处理方法

BCIC/BMIC系统最终是用于实际的工作环境或日常生活环境中，EEG的低信噪比、低空间分辨率和极易受伪迹的污染给该类系统的性能提高带来了巨大的挑战，也是该类系统走向实用化的瓶颈.虽然上述已有脑电伪迹处理方法的研究取得了很多的进展，但是仍然存在很多问题，难以满足BCIC/BMIC实际应用的需要.因此，下面讨论未来的研究方向：走向实用化的BCIC/BMIC中EEG伪迹处理方法.

1)在线实时的EEG伪迹处理方法

未来实用化的脑机融合控制系统不仅需要自动去除EEG中的伪迹，还要求实时在线有效地去除伪迹，离线分析仅作系统分析和设计用，最终要构建在线实时系统.在线实时脑机融合控制系统的性能提高是衡量该类系统的金标准.因此，在线实时的EEG伪迹去除方法仍然是未来的一个研究方向.

2)自动自适应/机器学习的EEG伪迹处理算法

连续EEG记录的数据量往往很大，对于实用化的在线实时脑机融合控制系统，人工无法干预，有效地自动自适应去除干扰和伪迹方法是必然要求，自适应调节算法结构和参数，不仅包括自动自适应伪迹剔除/自动信噪比提高算法，还包括自动自适应空间分辨率提高算法、自动自适应特征提取算法、自动自适应模式分类算法.

此外，在BCIC/BMIC系统中，EEG是控制信号源，它是一种高度非平稳非线性的信号.产生脑电的被试/用户会受到多种因素的影响，比如专注度/注意力、认知负荷/疲劳度、情绪状态(挫折/沮丧)、动机/意图/愿望等.另外，环境干扰和生物伪迹也并非恒定不变.这些因素不仅使得被试/用户之间的EEG伪迹存在变异性，而且同一被试/用户的EEG伪迹也随时间和使用环境而变化，这就要求去除伪迹的算法具有自适应性；要求算法的参数不能固定不变，能够在线学习和自动调整，以适应脑电及其伪迹的变化.值得注意的是，在无伪迹参考电极下，如何利用先验知识和在线知识，引入先进的机器学习方法(如有监督、半监督和无监督学习)去除伪迹？这也是需要进一步深入研究的方向.

3)少通道/单通道的EEG伪迹处理方法

多通道能增加空间分辨率并能得到较多有用的神经信息，然而多通道会增加系统的复杂性，不仅会增加计算复杂度，而且大大降低了被试/用户佩戴系统的美观性、舒适度和便携性.未来实用化的BCIC/BMIC系统，在满足应用性能的前提下，应尽可能减少记录电极数，以提高被试/用户的舒适度和美观性以及系统的便携性，相应地需要少通道/单通道EEG伪迹去除方法，目前相关研究文献较少，这是未来的一个研究方向.

4)免参考电极的EEG伪迹处理方法

需要参考电极检测伪迹的方法增加了电极数目，如测量眼电或心电的通道，这会引起被试/用户不舒适，也使他们的外表不美观，系统的便携性降低，他们可能不喜欢甚至拒绝使用系统.未来实用化的BCIC/BMIC系统要求采用免参考电极的EEG伪迹去除方法.其中一种可选方案是在为特定用户定制该系统时，可以事先收集此用户的伪迹信号，获取伪迹的先验知识或构建伪迹模板，在用户实际使用系统时不再实时监测伪迹；此外就是研究无伪迹先验知识和无参考的EEG伪迹去除方法，这在目前具有一定的挑战性.

5)优化融合多种有效的EEG伪迹处理算法

BCIC/BMIC系统中的EEG往往会受到多种伪迹的污染，严重影响系统的性能，然而目前已有方法多数是去除EEG中的一种伪迹，不能满足实际应用的需要.因此，需要优化组合多种有效的伪迹处理算法，一次性综合去除EEG中的主要伪迹(如眼电和肌电等) ，以确保后续EEG特征提取和模式分类算法的性能，这仍然是未来需要深入研究的一个方向.

6)适当的EEG空间滤波方法

EEG最大的缺点是空间分辨率低，这严重制约了BCIC/BMIC系统的性能.某一电极测量的EEG信号实际上混叠了相邻脑区甚至长程距离脑区的神经元活动，这种交叉混叠模糊了局部脑活动的特征，某种意义上也是一种伪迹，适当的空间滤波方法在一定程度上能改善空间分辨率，突出局部脑区特征，反映特定脑区活动，从而有利于识别特定的脑事件.

7)定量评估EEG伪迹处理方法的性能

迄今为止，定性评价EEG伪迹去除方法的文献多，定量评价的少，缺乏统一的评价标准，这是一个有待解决的问题.针对旨在走向实用化的BCIC/BMIC系统，应把该系统置于真实的非控制的环境中，对用户也不应强加过多的限制，然后进行在线测试.在线实时的BCIC/BMIC系统性能指标，包括识别精度、比特率、稳定性、鲁棒性和快速性，是衡量该类系统性能的金标准.因此，定量评估脑机融合控制系统中EEG伪迹处理方法的性能也应以此金标准为依据，这是未来一个需要研究的方向.

5 结 论

脑机交互的一个重要应用是直接脑控，是近些年来国际重大前沿研究热点，更深入的发展是脑机融合控制.然而在该类控制中，从头皮记录的脑电信号具有低信噪比、低空间分辨率、容易受到环境干扰和生物伪迹的污染，这给后续准确和稳定地提取脑电信号特征带来了巨大的困难，严重影响了系统的性能.因此，本文首先介绍了EEG中存在的伪迹(包括非生理伪迹和生理伪迹)，进而总结了脑电伪迹处理的各种方法并对它们的优缺点进行了比较，最后指出走向实用化的脑机融合控制中脑电伪迹处理方法未来的研究方向——在线实时、 自适应/机器学习、免伪迹参考、少通/单通道、优化融合多种有效方法综合去除EEG中的主要伪迹，并能够采用适当的空间滤波方法、能定量评估伪迹去除算法的性能.期望本文能够有助于促进脑电伪迹处理这一热点研究领域的发展，并有助于提高BCIC/BMIC系统的整体性能.