Removal of artifacts from EEG signals: a review

介绍 EEG 基本特征，常见伪迹类型及其特征，常用伪迹去除方法及其优缺点。

---

原始论文：Jiang, X., Bian, G. B., & Tian, Z. (2019). Removal of artifacts from EEG signals: a review. Sensors, 19(5), 987.

Background

EEG 基本特征

EEG 频率范围一般 0.1Hz - 100Hz，可以分为五个频段，下面列了四种常见频段。

常见伪迹类型

这里主要指生理伪迹（区别于仪器误差），下面列出几种常见信号特征。

Ocular Artifacts

主要来自眼动 (eye movement) 和眨眼 (blink), 通常可被 EOG 记录下来。EOG 幅值一般比 EEG 大很多，但频率差不多。EEG 和 EOG 可能相互影响，因此去除 EOG 伪迹时这种双向干扰也可能会引入额外误差。

Muscle Artifacts

肌电来源比较复杂，只要是会让电极周围肌肉运动的动作都可能引发，比如说话、吞咽。可由 EMG 记录，频率分布比较广泛 (0Hz - > 200Hz)，由于肌肉动作的多样性，其伪迹较难检测和去除。但 EMG 和 EEG 在时空上有本质上的统计独立性 (statistical independence)，因此适合用 ICA 去除肌电伪迹。

Cardiac artifacts

电极放在血管附近时容易引入心脏伪迹，由心脏收缩扩张引起，也被称为脉冲伪迹 (pulse artifacts)，频率在 1.2Hz 左右，由于特征与 EEG 相近，很难去除。 另一种心脏输出的电信号可以被 ECG 记录下来，由于特征较为明显很容易去除。

Single Artifacts Removal Techniques

Regression Methods

传统去噪方法常用回归，它假定每个 channel 的数据是干净 EEG 数据和一系列伪迹信号的累加。这种方法首先需要伪迹信号的参考通道，通过参考通道跟 EEG 通道信号的幅值关系计算出 transmission factor，然后从原始信号中减掉伪迹即可。 缺点：需要好的回归参考通道，很多时候是不现实的。

Wavelet Transform

把时域信号转换到时域和频域，相比于傅里叶变换具有更好的时频特性 (tunable time-frequency tradeoff; superiority of non-stationary signal analysis)。

BBS (Blind Source Separation)

BBS 包括很多无监督算法，不需要先验信息和额外的参考通道。下面介绍一些常见算法：

PCA (Principal Component Analysis)

依靠 SVD 实现，比回归效率更高。 缺点：要求伪迹成分与 EEG 数据不相关

ICA (Independent Component Analysis)

最常用之一。假定信号源是大脑信号和伪迹信号的线性混合，并且可分离为不同的独立成分 (independent components, ICs)，分开后只需要去掉伪迹对应的 ICs 就可以重构出干净的 EEG 信号。

CCA (Canonical Correlation Analysis)

相比于 ICA，CCA 使用二阶统计量 (second order statistics) 缩短计算时间。CCA 从无关源中 (uncorrelated sources) 分离独立成分，而 ICA 从统计独立源 (statistical independent sources) 中分离成分。CCA 比 ICA 在 muscle artifacts 的去除上更有优势。

Source Imaging Based Method

EEG source imaging (ESI) is a model-based imaging technique that combines temporal and spatial components of EEG to find the source of scalp-recorded potentials.

EMD (Empirical Mode Decomposition)

某种信号处理方法。

Filtering Methods

不同类型的滤波方法，比如 Adaptive Filtering、Wiener Filtering等。

Hybrid Methods

各种方法的组合，比如 EMD-BSS、Wavelet-BSS、BSS and SVM (Support Vector Machine)等。

不同方法的比较

见图

结论

比较了不同技术的不同适应场景，很多技术都不太了解就不细写了，可能需要过些时间再看一遍。