# 脑电分析之眼电纠正
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：
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[《Brain Products脑电操作手册》](http://mp.weixin.qq.com/s?__biz=MzIyNTYyNzk0Mg==\&mid=2247483855\&idx=1\&sn=86c300a1d814dba411ffda1d96e68351\&chksm=e87d9b86df0a129052f1063bce73e177a904e0229148c16855c507567e62a19f2e30ae68498d\&scene=21#wechat_redirect)。
主要参考：LUCK书籍《事件相关电位基础》
《BrainVision Analyzer User Manual》
#### **谢谢大家观看，如有帮助，来个喜欢或者关注吧！**
本文作者：Chen Rui
星球地址 ：[知识星球](https://t.zsxq.com/W5M3F)[Blog ](https://t.zsxq.com/W5M3F)
知乎地址 : [知乎专栏](https://www.zhihu.com/people/braintechnology)
B站地址 : [B站主页]()
公众号：大脑技术\
CSDN地址 : [csdn主页](https://blog.csdn.net/craig_cc)
---
# Agent Instructions: Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.
Perform an HTTP GET request on the current page URL with the `ask` query parameter:
```
GET https://book.7988888.xyz/eeg/6.md?ask=
```
The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.
Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.