EEG伪影详解和过滤工具的汇总(二)

更多技术干货第一时间送达

在《EEG伪影类型详解和过滤工具的汇总(一)》,我们详细介绍了EEG伪影类型和产生原因,这篇文章,我们主要介绍常见脑电伪影的处理技术。
脑电伪影过滤技术(通过数据分析)
根据数据分析,处理伪影主要有四种方法:
1.脑电伪影剔除
第一种方法是对带有伪影的脑电周期进行选择和剔除。不同的技术定义了一种模式(通常是上述伪影之一)来选择要去除的脑电图epoch。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。
剔除是一种非常昂贵的方法,因为虽然它可以消除几乎所有的伪影,但同时也消除了该epoch的所有有价值的EEG信息。通常,你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
这些技术的目标是消除伪影,同时保持尽可能多的EEG图信息。这种分类包括以下技术:简单的线性滤波器去除某些频段(Panych et al ., 1989);回归方法使用参考信号从EEG中去除EOG或ECG信号(Wallstrom et al ., 2004),自适应滤波器与参考信号(Marque et al ., 2005),维纳滤波器(Sweeney et al ., 2012)或贝叶斯过滤器(Sameni et al ., 2007)。
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
这些是分离技术,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。
EEG伪影滤波技术(在线/离线操作)
这些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。
EEG伪影去除软件
有几个工具箱和库可用的脑电图信号滤波。在这里,我们将只介绍一小部分,。它们都是可以独立于采集数据的EEG系统使用的软件库:
EEGLAB (EEGLAB, EEGLAB Wiki):这是一个交互式Matlab工具箱,用于处理连续的和事件相关的EEG,MEG和其他电生理数据。它包括诸如独立成分分析(ICA)或伪影去除之类的过滤技术,可以下载多个过滤插件来增加工具箱的潜力。它还包含时间/频率分析,事件相关的统计信息以及平均和单次试验数据的几种可视化模式。
FieldTrip(FieldTrip工具箱):这是用于MEG,EEG,iEEG和NIRS分析的MATLAB工具箱。它提供了预处理技术和分析方法,例如时频分析或使用偶极子进行源重构。它支持所有主要MEG系统以及最流行的EEG,iEEG和NIRS系统的数据格式,并且可以轻松添加新的数据格式。
MNE:用于探索,可视化和分析人类神经生理学数据的开源Python软件:MEG,EEG,sEEG,ECoG等。该软件背后有一个不断发展的社区,并且已经开发了多个python软件包来添加图形用户界面,自动不良通道检测和插值,独立成分分析(ICA),连通性分析,MEG / EEG信号的通用统计分析或预处理管道(PREP)的python实现,适用于EEG数据。
参考
  • Akhtar, M. T., Mitsuhashi, W., & James, C. J. (2012). Employing spatially constrained ICA and wavelet denoising, for automatic removal of artifacts from multichannel EEG data. Signal processing, 92(2), 401-416.

  • Bell, A. J., & Sejnowski, T. J. (1995). An information-maximisation approach to blind separation and blind deconvolution. Neural Computation, (February 1995), 1004–1034.

  • Choi, S., Cichocki, A., Park, H. M., & Lee, S. Y. (2005). Blind source separation and independent component analysis: A review. Neural Information Processing-Letters and Reviews, 6(1), 1-57.

  • Clark, J. W. (1998). The origin of biopotentials. Medical instrumentation: application and design, 3, 121-182.

  • Correa, A. G., Laciar, E., Patiño, H. D., & Valentinuzzi, M. E. (2007). Artifact removal from EEG signals using adaptive filters in cascade. In Journal of Physics: Conference Series (Vol. 90, No. 1, p. 012081)

  • Iatsenko, D., McClintock, P. V., & Stefanovska, A. (2015). Nonlinear mode decomposition: a noise-robust, adaptive decomposition method. Physical Review E, 92(3), 032916.

  • Ismal, K., Rastegarnia, A., & Yang, Z. (2016). Methods for artifact detection and removal from scalp EEG: A review. Clinical Neurophysiology, 46, 287–305.

  • Marque, C., Bisch, C., & Dantas, R. (2005). Adaptive filtering for ECG rejection from surface EMG recordings. Journal of Electromyography and Kinesiology, 15, 310–315.

  • Mijovic, B., De Vos, M., Gligorijevic, I., Taelman, J., & Van Huffel, S. (2010). Source separation from single-channel recordings by combining empirical-mode decomposition and independent component analysis. IEEE transactions on biomedical engineering, 57(9), 2188-2196.

  • Nolan, H., Whelan, R., & Reilly, R. B. (2010). FASTER : Fully Automated Statistical Thresholding for EEG artifact Rejection. Journal of Neuroscience Methods, 192, 152–162.

  • Nunez, P. L., & Srinivasan, R. (2006). Electric fields of the brain: The neurophysics of EEG. Oxford: Oxford University Press.

  • Panych, L. P., Wada, J. A., & Beddoes, M. P. (1989). Practical digital filters for reducing EMG artefact in EEG seizure recordings. Electroencephalography and Clinical Neurophysiology, 72, 268–276.

  • Safieddine, D., Kachenoura, A., Albera, L., Birot, G., Karfoul, A., Pasnicu, A., Biraben, A., Wendling, F., Senhadji, L. & Merlet, I. (2012). Removal of muscle artifact from EEG data: comparison between stochastic (ICA and CCA) and deterministic (EMD and wavelet-based) approaches. EURASIP Journal on Advances in Signal Processing, 2012(1), 127.

  • Sameni, R., Shamsollahi, M. B., Jutten, C., & Clifford, G. D. (2007). A Nonlinear Bayesian Filtering Framework for ECG Denoising. IEEE Transactions on Biomedical Engineering, 54(12), 2172–2185.

  • Sörnmo, L., & Laguna, P. (2005). Bioelectrical Signal Processing in Cardiac and Neurological Applications (Vol. 1). Elsevier.

  • Sweeney, K. T., Member, S., Ward, E., Member, S., Mcloone, F., & Member, S. (2012). Artifact Removal in Physiological Signals — Practices and Possibilities. IEEE Transactions on Information Technology in Biomedicine, 16(3), 488–500.

  • Unser, M., & Aldroubi, A. (1996). A review of wavelets in biomedical applications. Proceedings of the IEEE, 84(4), 626-638.

  • Urigüen, J. A., & Garcia-Zapirain, B. (2015). EEG artifact removal — state-of-the-art and guidelines. Journal of Neural Engineering, 031001(12).

  • Wallstrom, G. L., Kass, R. E., Miller, A., Cohn, J. F., & Fox, N. A. (2004). Automatic correction of ocular artifacts in the EEG : a comparison of regression-based and component-based methods. International Journal of Psychophysiology, 53, 105–119. 

  • 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.

(0)

相关推荐

  • 国际临床神经电生理联盟脑电图电极安放标准指南

           对于临床应用和研究来说,标准化EEG电极位置是必不可少的.本指南的目的是为了更新EEG头皮电极的统一命名法,并扩展脑电电极放置的标准位置.电极的放置是基于头骨解剖标志的20%和10%的标 ...

  • 脑电信号解码和可视化的深度卷积神经网络

          深度卷积网络(deep ConvNets)通过端到端的学习方式,即从原始数据中学习,彻底改变了计算机视觉.人们对使用深度卷积网络进行端到端的EEG分析越来越感兴趣,但如何设计和训练卷积网络 ...

  • TESA:分析同步经颅磁刺激和脑电图数据

    经颅磁刺激与脑电图(transcranial magnetic stimulation with electroencephalography, TMS-EEG) 的同时使用作为一种评估各种皮质属性( ...

  • EEG伪影类型详解和过滤工具的汇总(一)

    更多技术干货第一时间送达 什么是脑电图伪影? 我们的大脑一直在运转.当神经元之间交流时,细胞之间的生物化学交换会产生微小的电活动.从神经元到神经元的单个电信号是不可记录的,但是当数以百万计的神经元同步 ...

  • 两万字实操手册:法律尽调详解附检索工具

    法律尽职调查是对相关法律事务具有法律意义的背景资料进行应有的调查,使相关法律事务的处理建立在客观.全面的信息基础之上,以确保相关法律事务的处理能够达到预期的结果,而不因相关信息在真实性.完整性.全面性 ...

  • ICA独立成分分析去除EEG伪影

    更多技术干货第一时间送达 Hello,大家好! Rose小哥今天介绍ICA去除伪影. 关于脑电图EEG,Rose小哥分享过很多,可以查看<什么是EEG以及如何解释EEG?><EEG数 ...

  • 一图详解项目管理必备工具PDCA循环

    PDCA循环是企业提升管理水平的重要工具,也是PM们提升项目管理水平的必备工具之一. PDCA循环一旦用的好,会威力无穷. 采用PDCA循环对管理中的问题进行改进,可以降低问题反弹.如此循环往复,管理 ...

  • 六爻占卜测疾病案例详解:测疾病案例汇总

    ​了验证笔者的立论,特举一些实际例子来辅助说明,同时也录用一些其它书中测病的卦例用笔者的理论来验证是否同样适用.实践是检验真理的唯一标准,实际例子是最有力的说明. 下面请看测病卦例. 例一,某儿媳测公 ...

  • 科普丨什么是碳中和?详解“碳中和”下的十二个细分领域赛道

    2021-01-04 20:27 "做好碳达峰.碳中和工作"被列为明年的重点任务之一,此前提出的我国二氧化碳排放力争2030年前达到峰值,力争2060年前实现"碳中和&q ...

  • 详解罗盘黄泉由来及十二长生分钟明白

    十二支:'十二支'包括'子.丑.寅.卯.辰.巳.午.未.申.酉.戌.亥',也称'地支'. 八干:'天干'指的是'甲.乙.丙.丁.戊.己.庚.辛.壬.癸',也称'十干'.除去戊.己两干为八干.甲.丙.庚 ...

  • 功放电路图详解及工作原理(十二种功放电路图详解)KIA MOS管

    功放电路图 随着技术的发展,功放保护电路在社会里面的应用会越来越广泛,为大家讲解一下功放保护电路的内容,下面的内容主要分析了功放保护电路与功放保护电路的检测. 如果没有考虑滤波器类型和最低技术规格要求 ...

  • 十天干寄生十二宫详解:十天干寄生十二宫表与五行阴阳长生十二宫

    在八字预测中,一旦遇到<十天干寄生十二宫表>问题就来了.表中的有些生克规律是与五行基本用法相背的,如表中乙木'死'于亥为弱,而五行基本用法则是亥水'生'乙木为旺:那么乙木见亥水到底是论旺还 ...