脑电分析之眼电纠正
最后更新于
这有帮助吗？
最后更新于
这有帮助吗？
在我们做脑电实验中，会存在一些不可避免的情况。比如，受试者的眨眼、吞咽、肌电等。这些信号都会对我们的脑电产生一定的干扰。在数据处理的进程中，这些干扰信号都需要纠正或者剔除掉。
对于眼电信号的产生：这是因为在实验中周期较长，容易产生眨眼（VEOG）；视野较大，容易产生横向眼动（HEOG）。眼电信号的特征：波幅大，频率低，前额信号强。
在我们做实验时，不可避免的会产生以上的这类信号，所以我们在数据分析时，就需要将这类干扰信号纠正回来。下面我将介绍由Brain products公司的分析软件analyzer以及基于matlab下eeglab的workshop资料。
首先介绍analyzer的眼电纠正方法，analyzer提供了两种方法——Ocular Correction 和 Ocular Correction ICA。
Ocular Correction：这是一种比较传统的算法，是通过从EEG平均通道减去眼电通道的电压，乘以校正因子来校正眼电伪影。这种方法在现在的处理中比较少用到，相比于一些简单数据的处理是非常有效的。
在analyzer软件选择Transformations > Artifact Rejection/Reduction > Ocular Correction
Ocular Correction ICA：这是ICA（独立成分分析）算法的一种转化，这种方法是基于IC成分找出眼电的成分进行纠正还原数据的一种非常有效的方法。就目前的脑电数据处理中也是非常常见的。关于ICA算法（独立成分分析）在后面的推送中会单独推送一期。在理解IC成分前，给大家展示一张图，
这是典型的鸡尾酒会模型来展示ICA的盲源分离，这里面的S代表的是发出声音的人，使用麦克风来收音，a代表的是说话者与麦克风间的距离。同理，可以想象我们在收集脑电信号时，麦克风相当于电极，s就相当于脑源的发出位置。它假设观察到的随机信号x服从模型x=As，其中s为未知源信号，其分量相互独立，A为未知混合矩阵。ICA的目的是通过且仅通过观察x来估计混合矩阵A以及源信号s。我们现在需要找到由眼电脑源发出的电信号，这就是使用ICA独立成分分析的“盲源”分离出脑电的成分信号进行眼电的去除。
在EEG中使用ICA算法的示意图
在进行ICA找成分时，对信号的剔除程度较高，所以一般建议是在滤波后再做ICA，这样相对来说，找出的信号较好。
“Transformations” →“Ocular Correction ICA.”介绍参数设置界面：
主要参考：LUCK书籍《事件相关电位基础》
《BrainVision Analyzer User Manual》
本文作者：Chen Rui
首先就是要选择其中一段数据作为模板进行数据的估计，来找出IC成分。数据选择越短计算量越大。以上的具体操作步骤可参见。
