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》

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