CxHub客户体验社区-用户研究、体验爱好者学习交流社区，专注客户体验(CX)研究。
社交媒体
脑电图（EEG）上的伪影（artifacts）是指并非由大脑本身产生的任何东西，在病因学上通常可分为生理性、电性和环境性。
在处理脑电图信号(EEG)时，主要关注的问题之一是确保我们记录的数据干净与高信噪比。EEG信号的幅度在微伏范围内，很容易被噪声(称为“伪影”)污染，需要从神经过程中过滤掉它们，以保存我们所需的有价值的信息。
在这篇文章中，主要介绍了不同的EEG伪影以及去除它们的主要工具和技术。
肌源性伪影来自肌肉运动，由于额肌和颞肌，最常见于额叶或外侧颞区。
它的特点是覆盖正常大脑节律的高频率、通常低幅度的活动，并且通常在清醒状态下最为突出。
值得注意的是，在顶点附近通常只有最小的肌源性伪影，所以如果看到那里有快速活动，就要怀疑一下产生的原因了。（但实际上，肌源性活动比头皮脑电图上的大脑活动要快得多）。
① 眨眼伪影（Blink artifacts）
眨眼是会看到的最常见的伪影之一，其特征是双额区域的振幅非常高的负波形。它们的出现是由于贝尔现象。
眼睛的角膜带正电，视网膜带负电；当你眨眼时，眼睛会稍微上翻，角膜会靠近额电极 Fp1 和 Fp2，从而看到脑电图上反射的正信号。
眨眼实际上应该只在额叶导联中可见，而后部区域没有任何视野。闭眼时会看到类似的波形，而睁眼时会看到一种相反的波形，即大的双额负电荷。眨眼是正常清醒脑电图的一个关键组成部分。 注意，不要将它们误认为是额叶棘波和前波，或前部主导的广义棘波和波。
② 眼球横向运动（Lateral eye movements）
眼睛的运动(水平和垂直)会影响电极接收到的电场。垂直眼球运动(上下)看起来更像正弦曲线，而水平眼球运动(左右)看起来更像方框形状。眼睛有一个强大的电磁场，这是由视网膜上数以百万计的神经元形成的。转动眼睛也会改变眼球产生的电场。
横向（水平）眼球运动的特点是 F7 和 F8 导联的相反极性。这也是由于角膜带正电荷和视网膜带负电荷。
当向右看时，右角膜会靠近 F8 电极，该电极会看到正电荷；左侧视网膜更靠近 F7 电极，会看到负电荷。
在双极蒙太奇中，比较每个链中的第一个和第二个电极，计算基本上是每个导联中的第一个电极减去第二个电极，因此，如果 F8 比 Fp2 更积极，则使用 Fp2-F8 导联。
你从一个较小的数字中减去一个较大的数字，最终得到一个负值，从而导致轨迹向上偏转，而在 F8-T4 的下一个导程中，如果 F8 也比 T4 更正，你可以从一个更大的，所以你会得到一个正值和一个向下的偏转。
因此，你会得到一种“相反”的相位反转，并且引线彼此分开。相反的情况发生在对侧，因为 F7 为负，并且引线相互靠近。
心电图伪影由时间锁定到心电图描记上的QRS 复合波的波形来标记的。它们往往更多地或完全出现在左侧，因为心脏位于胸部的左半部分，并且振幅往往相对较低。
然而，如下例所示，它们有时可能非常突出，注意，不要将它们误认为是后放电或 POSTS（未与 QRS 时间锁定）。
一种不太常见的心脏伪影是心弹伪影 ，其中脑电图电极放置在动脉上方，动脉的每次搏动都会在脑电图上作为运动伪影被拾取。
电伪影最常见的原因是通过电线传输的 60 Hz 电活动（某些地区为 50 Hz，如美国、欧洲等）的干扰。
当然，电伪影是一种非常快速、非常单调的活动，可以使用陷波滤波器选择性地去除 60Hz 的所有 EEG 活动（这不会影响对信号的解释，因为头皮 EEG 上没有大脑活动那么快）。在下面的示例中，陷波滤波器未打开，并且 Fp1 电极可能不太正确，导致大量电气干扰。
电极本身也会产生伪影，通常是在电极随着时间的推移而松动或被环境中的物体碰撞的情况下。
一个常见的现象是电极弹出，这通常是由电极松动引起的。在脑电图上，弹出的标志是单个电极显示出非常突然、陡峭的上坡和较慢的下坡，并且完全没有场。下面的例子中涉及到F7；如果这种情况持续存在，你应该检查电极以确保其没有脱落。
咀嚼伪影实际上只是来自颞肌的肌肉伪影，其特征是突然发作、间歇性爆发的普遍非常快的活动（肌肉伪影）。
通过视频研究来表征非常容易，因为只需观看视频即可进行关联，但即使没有视频研究，咀嚼伪影通常也不会与任何其他重要的生理活动共享密切的形态。
注意，不要将其与广义周期性快速活动混淆，后者往往稍慢（β 频率）且幅度较低。
舌下伪影经常但不一定与咀嚼伪影一起出现。它由舌头的运动引起，并表现为较慢的、弥漫性的德尔塔频率活动。
注意，在下面的示例中，所有描记都具有本质上相同的运动——对于慢波睡眠之类的东西来说，这很有组织性，虽然发作模式肯定会导致这种节奏，但在这一页上没有证据表明癫痫发作特征随时间或地点的演变。
关于舌头运动伪影的一个值得注意的点是它是可重复的——你可以要求患者移动舌头，或者说“la la la”（又名舌音素），看看脑电图上是否显示出相同的模式。
① 汗液伪影（Sweat artifacts）
汗液伪影的特点是非常缓慢（通常小于 0.5 Hz）、相对较低的振幅活动，这是因为汗液中的氯化钠携带电荷，被 EEG 电极拾取。
汗液伪影在定位方面不必遵循特定模式，可以是双侧、单侧，甚至仅集中于几个电极。下面的示例在 P3 处也有电极伪影。
② 运动伪影（motion artifacts）：
运动伪影具有多种外观，通常看起来混乱、高强度活动，不模仿任何实际的大脑模式。
其中，摇头伪影可能稍微棘手一些，其特点是缓慢、低幅度的活动，如果患者将头枕在枕头上，这种活动通常在后方更为明显。它看起来类似于困倦时的眼球游动，但眼球运动是在前导联中。
③ 胸部物理治疗伪影（Chest physiotherapy artifact）：
在医院，特别容易发生在 ICU 中接受插管和镇静的患者中，因为它可能看起来像癫痫发作一样有节律，但通过观看视频（如果有）可以轻松区分这两者（即使没有敏锐的电生理技能）。
在脑电图上，它通常也与癫痫发作不同，因为它缺乏场或演变。胸部 PT 往往在后方更加突出，但根据患者的位置和 PT 的应用位置，情况可能会有很大差异。
④ 呼吸伪影（Respiratory artifacts）：
当深入学习脑电图领域后，你会遇到许多其他类型的伪影。例如，在下面这个例子中，插管患者鼻尖上的一个小气泡随着呼吸而波动，导致一种周期性的活动爆发。
在记录过程中实时监控EEG信号，及时调整电极位置和受试者状态。
使用伪影标记工具，在线标记可疑的伪影片段。
1）脑电伪影选择与剔除
不同的技术定义了一种模式(通常是上述伪影类型之一)来选择要去除的脑电图分段。模式识别方法的范围从脑电图专家的目视检查，到在时域或频域的自动统计(Nolanet al., 2010)。例如，在ERPs协议中，自己可以定义一个统计阈值，以删除振幅明显更高的试验。
剔除是一种非常奢侈的方法，因为虽然它可以消除几乎所有的伪影，但同时也消除了该分段的所有有价值的EEG信息。通常来说，实验需求会尽可能保留更多的脑电图数据，特别是当记录很短的时候。
2）过滤
过滤的目标是消除伪影，同时保持尽可能多的EEG图信息。
这种分类包括以下技术：
（左）EEG 和参考 EOG 信号（水平和垂直）
（右）应用线性回归后的滤波信号，可以观察 Af3 通道的效果。(Wallstrom et al ., 2004)
例如，我们可以使用线性滤波器去除50 Hz或60 Hz的交流电干扰。这也将消除EEG信息(脑电波)，不过，这种高频通常不是EEG研究的重点。
另一个示例是使用EOG信号作为参考通道，以通过回归或自适应滤波器从受污染的EEG信号中去除这些信息。
回归方法假设记录的脑电图是真实脑电图和伪影(EOG)的结合。回归滤波器计算在单个EEG通道中存在的参考(EOG)的比例，并将其减去。
3）盲源分离
盲源分离技术是试图将脑电图分解成基于不同数学考虑(如正交性或独立性)的信号源的线性组合。
目前最流行和有用的技术是独立成分分析(ICA)(Choi et al.， 2005)，它将EEG线性分割成数学上独立的分量或源。由于噪声通常不相关且独立于脑电信号源，因此我们可以观察到某些成分包括伪影信息。
例如，可以通过标记噪声源(手动或通过机器学习技术将其标记为MARA)来消除EOG或EMG伪影(Winkler etal ., 2011)，然后将其删除并从其余部分线性重建干净的EEG数据。
盲信源分离方法的优点是它不需要参考信道，也不需要任何关于噪声的先验信息。该方法的主要缺点是采用完整的脑电信号矩阵而不是通道滤波，并且当通道数量减少或可用的EEG数据较少时效果不佳。
4）源分解方法
这些方法将每个单独的通道分解为基本波形，剔除含有伪迹的波形，重建脑电信号的干净通道。这些方法的主要例子是小波分解(Unser & Aldroubi, 1996)，以及一些较少研究的变体，如经验模式分解(EMD)(Safieddine et al.，2012)或非线性模式分解(NMD)(Iatsenko et al.2015)。
在小波分解中，每个通道的信号被分解为不同尺度的系数和所选小波的漂移(“mother”)。为了对信号进行滤波，在分解后对部分系数进行阈值处理，然后对信号进行重构。
这些方法的主要优点是我们可以在通道级别保留EEG数据。主要缺点是我们需要找到正确的基本波形(小波，固有模式函数，非线性模式)来分解噪声，以便能够获得阈值系数，仅去除伪影而不去除EEG数据。它们也更加复杂，并且仍在研究中。
该技术的一个重要方面是它们是离线运行还是在线运行(Ismal et al., 2016)。脱机方法不是自动的，需要人工干预，因此不能集成到自主运行的系统中。例如，用视觉检查来剔除脑电图epoch或人工成分/源的视觉选择都是需要专家监督的离线方法。
在线方法可以完全自动化和集成在一个系统,自动运行。例如，使用参考信号作为回归或自适应滤波器的方法可以轻松地在线运行。另外，对于信号分解过程，如盲信源分离或信源分解方法，可以通过在干净的脑电数据中建立一定的阈值或统计阈值来自动去除信号成分。
有几个工具箱和库可用的脑电图信号滤波，它们都是可以独立于采集数据的EEG系统使用的软件库：
通过上述处理方案，可以有效减少EEG记录中的伪影干扰，提高数据的质量和分析的准确性。在实际操作中，综合运用多种方法，根据具体情况进行调整是关键。
（全文结束）
部分素材源于网络
如有侵权，请联系删除END
