文章來源于微信公眾號（茗創(chuàng)科技）况增，歡迎有興趣的朋友搜索關(guān)注缝其。

導讀

目的：同時記錄腦電圖(EEG)和功能磁共振成像(fMRI)可以結(jié)合電生理和血流動力學信息委刘，形成更完整的腦動力學圖像鸡岗。然而婚瓜，在MRI掃描儀內(nèi)記錄的EEG同時受到成像偽影和生理偽影的污染。用于預處理此類EEG的大多數(shù)技術(shù)側(cè)重于去除成像和心壓圖偽影也搓，但并未去除所有其他生理偽影赏廓。

方法：研究者提出了一種新的離線EEG偽影去除方法涵紊，該方法基于獨立成分分析和基于fMRI的頭部運動估計相結(jié)合的方法，以幫助去除EEG-fMRI記錄中的生理偽影幔摸。此方法創(chuàng)新地利用了從fMRI記錄中估計的頭部運動軌跡摸柄，以幫助識別EEG中的生理偽影，并需要在EEG中去除fMRI成像偽影后使用既忆。

結(jié)果：對健康成人被試在EEG-fMRI同步記錄的EEG進行了評估驱负。本研究的方法顯著減少了所有類型的生理偽影對腦電圖的影響。將此方法與最先進的生理偽影去除方法進行了比較尿贫，并展示了本研究方法在去除生理偽影上的優(yōu)異性能电媳。

結(jié)論：與其他最先進的方法相比，本研究的方法能夠從EEG-fMRI同步記錄的EEG中去除更多的生理偽影成分庆亡。

意義：研究者提出的方法在去除EEG-fMRI同步記錄的EEG中的生理噪聲方面匾乓，比當前的處理流程有顯著的改進。

1.引言

腦電圖(EEG)和功能磁共振成像(fMRI)的同時記錄和聯(lián)合分析越來越多地被用作了解大腦的神經(jīng)科學工具又谋。EEG記錄來自皮層的電生理信號拼缝，而fMRI記錄整個大腦血流動力學反應的信號。因此彰亥，EEG可以直接測量時間分辨率高但空間分辨率低的神經(jīng)元簇的電生理活動咧七，而fMRI可以間接測量時間分辨率低但空間分辨率高的電生理活動的血流動力學反應。通過整合這些信號任斋，可以比單獨使用任何一種記錄模式更精確地理解神經(jīng)活動继阻。

然而，同時記錄這兩種不同的模式有相當大的技術(shù)挑戰(zhàn)废酷。其中最難的是從fMRI記錄的EEG信號中有效去除偽影瘟檩。EEG-fMRI同步記錄中最大的偽影是fMRI掃描儀誘發(fā)的成像偽影，一般是一個大且規(guī)律澈蟆、重復的信號墨辛。目前已有方法能有效去除成像偽影，但并不能去除其他類型偽影趴俘，如生理偽影睹簇。

掃描過程中被試頭動會使從EEG中去除fMRI偽影變得更加困難。已有研究證明頭動會在EEG中產(chǎn)生較大的尖峰偽影寥闪，因此有學者提出應考慮掃描過程中被試的頭動太惠，并且相應地在EEG中部分矯正偽影。

EEG還受到心壓圖(BCG)偽影的污染疲憋。這一偽影是由被試頭部的輕微運動以及脈搏引起的全身血流變化造成凿渊。當被試在fMRI過程中被置于穩(wěn)定的靜態(tài)磁場中時，即使頭部運動導致電極的微小運動也會在EEG中誘發(fā)較大的偽影。

BCG偽影的振幅與EEG信號的振幅相似嗽元，甚至更高。它還占用類似的頻率范圍喂击，并且不像成像偽影那樣具有規(guī)律性和可預測性剂癌。因此將其從EEG中刪除相當具有挑戰(zhàn)性。盡管如此翰绊，BCG偽影可通過與去除成像偽影相同的AAS算法來移除佩谷。從被試身上記錄一個單獨的ECG信號，并使用該信號形成BCG偽影的模板监嗜，然后從EEG中減去該模板谐檀。這種方法在許多情況下都有效。然而裁奇，由于BCG信號不像成像偽影那樣規(guī)則桐猬，因此在其他不假設有規(guī)則偽影的方法（如獨立成分分析(ICA)、機器學習刽肠、諧波回歸溃肪、稀疏分解或深度學習）上被認為更有效。

在EEG-fMRI同步記錄過程中音五，在EEG中發(fā)現(xiàn)的最后一種偽影類型是被試的生理偽影惫撰。這些偽影包括眼動偽影、肌電偽影躺涝，以及其他運動相關(guān)偽影等厨钻。生理偽影也存在于掃描儀外的腦電圖記錄中，因為它們來自被試本身坚嗜，而不是來自fMRI成像設備夯膀。

首先，被試在掃描儀內(nèi)的頭動可能會改變EEG信號和相關(guān)偽影的形態(tài)惶傻，從而導致在掃描儀外記錄的EEG上開發(fā)的偽影去除方法不適用于同步記錄下的腦電圖棍郎。

第二，在fMRI記錄過程中银室，被試躺下來涂佃，頭放在枕頭上，用軟填充材料固定身體蜈敢。雖然限制了被試在掃描儀中的運動辜荠，但也可能導致與運動相關(guān)的生理偽影的頻率和形態(tài)變化，如腦電圖的肌電圖污染抓狭。換句話說伯病，躺著時頸部肌肉的彎曲度與直立時是不同的。

第三，被試動作的變化（從坐到躺下）也會影響EEG午笛。特別是惭蟋，當被試仰臥時（如fMRI掃描儀所要求的那樣），從枕電極部位記錄的EEG幅度會顯著降低（高達80%）药磺。因此告组，基于坐姿或俯臥的被試記錄EEG開發(fā)的偽影去除方法，可能不太適合用于掃描儀中記錄的EEG癌佩。

最后木缝，與在掃描儀外記錄的EEG相比，在fMRI掃描儀的環(huán)境中围辙，被試仰臥著我碟，通常有嚴格的禁止移動指示和關(guān)于潛在危險的嚴重警告，這可能會有意識或潛意識地使被試更加緊張姚建。由于控制頭部的斜方肌活動增加矫俺，這可能導致EEG中有更多的肌電偽影。

通常掸冤，在分析EEG-fMRI同步記錄的EEG時恳守，不會考慮這些生理偽影的不同特性。通常認為贩虾，去除成像偽影和BCG偽影催烘，再加上“標準”生理偽影去除方法就足夠了。此外缎罢，盡管基于平均模板的偽影去除在去除成像偽影方面非常有效伊群，但在去除其他非脈沖相關(guān)的頭動導致的偽影方面效果不佳。

綜上所述策精，AAS偽影去除方法不能從EEG中去除生理偽影舰始，其他最先進的生理偽影去除方法沒有針對在EEG-fMRI同步記錄過程中記錄的生理偽影進行優(yōu)化。

本文研究者提出了一種新方法來去除EEG中殘留的生理偽影咽袜，包括與頭動相關(guān)的生理偽影丸卷。具體而言，該方法利用功能磁共振成像（fMRI）和腦電（EEG）的同步記錄來估計被試的頭部運動軌跡询刹，并利用該方法有效地去除EEG中的生理偽影谜嫉。此方法要在用當前最先進的方法去除成像偽影和BCG偽影后使用。

該方法首先試圖將EEG分解為一組統(tǒng)計上獨立的成分凹联，然后確定這些成分的子集沐兰，這些成分包含與頭動和其他類型的生理偽影相關(guān)的EEG活動。通過測量每個獨立成分中的活動與估計的頭部運動軌跡之間的相關(guān)性蔽挠，識別與頭部運動相關(guān)的成分住闯。通過fMRI掃描估計頭部運動軌跡。

這種方法基于：EEG中的一些生理偽影是由頭部運動引起的假設。然后比原，通過單獨的ICA分解和閾值化技術(shù)的組合來識別與頭部運動無關(guān)的其他生理偽影插佛，選擇閾值以最佳地識別在EEG-fMRI同步記錄期間記錄的EEG中的生理偽影。

此外量窘，本文還將此方法與“標準”生理偽影去除方法進行了比較朗涩。具體來說，首先使用AAS方法從EEG中去除fMRI成像和BCG偽影绑改。然后使用這種無成像偽影的EEG，將本研究方法與獨立成分（IC）標記的最先進的“標準”生理偽影去除方法進行比較兄一。

2.方法

2.1 偽影去除方法

生理偽影厘线，包括頭部運動相關(guān)的生理偽影俱病，通過兩個階段從EEG中去除立叛。在這兩個階段中，通過ICA將EEG分解為一組最大統(tǒng)計獨立的成分绪商。在第一階段骂束，確定與估計的頭部移動（以平移和旋轉(zhuǎn)表示）相關(guān)的活動成分耳璧。在第二階段，通過一組閾值進一步確定包含與生理偽影（眨眼展箱、肌電圖等）相關(guān)的獨立成分集旨枯。（見圖1）

圖1.整個處理流程，展示如何從EEG和fMRI聯(lián)合記錄的EEG中移除生理偽影混驰。在使用該方法之前攀隔，必須首先通過AAS或類似方法從EEG中去除fMRI偽影。然后栖榨，通過ICA的自適應混合獨立成分分析儀（AMICA）實現(xiàn)對EEG進行去混合昆汹，同時通過平均偽影減法（AAS）估計掃描儀中的頭動。然后選擇獨立成分（IC）進行刪除婴栽，然后在第二個ICA階段满粗，使用二階盲源獨立成分分析（SOBI）進一步對數(shù)據(jù)進行除噪。

在算法的步驟1.a中愚争，首先通過濾波器對EEG進行濾波頻率范圍為1-100Hz的帶通濾波映皆。這將衰減高頻偽影，并從信號中消除低頻趨勢轰枝。

然后將ICA的自適應混合獨立成分分析儀（AMICA）應用于EEG劫扒，將其分解為最大程度上相互獨立的成分。AMICA之所以被選入這一階段狸膏，是因為它在從EEG中分離肌電偽影成分方面具有很高的性能沟饥。

然后在步驟1.b中對fMRI進行預處理（見圖1）。此方法旨在補充最先進的fMRI偽影去除技術(shù)。在Brain Vision軟件中使用了AAS腳本贤旷，從EEG中去除fMRI成像偽影和BCG偽影广料。

通過二階多項式模擬時間相鄰的功能圖像之間的興奮變化和位置之間的關(guān)系，從fMRI記錄中估計頭部運動軌跡幼驶。然后通過低通插值將估計的fMRI重校準參數(shù)（頭部運動軌跡）上采樣（與EEG相同的采樣率）艾杏，再通過公式：△mt=mt-mt-1測量每個軌跡隨時間的變化，其中mt表示時間t的運動軌跡盅藻。

在步驟2中（見圖1）购桑，AMICA估計的頭部運動軌跡和獨立成分都是z分數(shù)的，平均值為零氏淑，標準偏差為1勃蜘。這確保了在該方法的后續(xù)步驟中，獨立成分（IC）的振幅和運動軌跡具有相同的量級假残。

然后缭贡，計算滑動窗口內(nèi)每個獨立成分的均方根振幅，滑動窗口的長度等于fMRI掃描序列的重復時間（TR）辉懒。這能夠在估計的運動軌跡的相同時間尺度上估計從EEG中提取的每個成分的平均振幅阳惹。選擇滑動窗口長度等于重復時間，以幫助將來將算法轉(zhuǎn)換為可在線使用的方法眶俩。

皮爾遜相關(guān)系數(shù)用于測量每個IC與x莹汤、y和z維度的運動軌跡和旋轉(zhuǎn)之間的平均相關(guān)性。具體而言颠印，對于給定的IC体啰，計算每個估計運動軌跡的平均相關(guān)系數(shù)，如下所示嗽仪。

如果某ICs和估計頭部運動（CC）之間的相關(guān)性超過所有IC平移或旋轉(zhuǎn)運動的平均相關(guān)性的1個標準偏差荒勇，則確定移除該IC。閾值是從訓練數(shù)據(jù)的檢查中選擇的闻坚。然后沽翔，通過在步驟2中識別的第一個歸零ICs重構(gòu)部分清潔的EEG，該ICs包含與頭部運動相關(guān)的信息窿凤，然后將剩余ICs與步驟2中估計的混合矩陣相乘（見圖1）仅偎。

在研究者提出的偽影去除方法（見圖1）的步驟3中，部分干凈的的EEG得到進一步處理雳殊，以去除與頭部運動無關(guān)的其他生理偽影橘沥，而偽影去除過程的第二階段由3個步驟組成：分解、閾值和重組夯秃。

沿信號移動長度為30s的滑動窗口（根據(jù)一名研究被試對EEG的目測檢查座咆，選擇該窗口以最佳方式捕獲偽影的統(tǒng)計分布）痢艺，步長為30s。該固定窗口大小允許識別閾值介陶，以拒絕影響EEG的偽影堤舒，而且無論EEG記錄的總長度如何，只能在30s固定長度窗口內(nèi)識別和移除偽影哺呜。

在每個30s窗口內(nèi)舌缤，通過ICA方法的二階盲源獨立成分分析（SOBI）變體對部分干凈的EEG進行分解。之所以選擇SOBI某残，是因為該算法在這一階段的目標是消除與頭動無關(guān)的生理偽影（例如眨眼国撵、心電圖（ECG）、眼球運動等）玻墅。

在算法的步驟4中（見圖1）介牙，確定哪些IC包含生理偽影，因此椭豫，哪些IC應該從IC集中移除。通過以下標準識別受偽影污染的IC旨指。

1赏酥、γ波段功率譜密度

2、信號峰度

3谆构、信號內(nèi)的時間依賴量

4裸扶、信號尖峰

5、額葉EEG活動與其他通道的比率

6搬素、低呵晨、高頻段功率比

7、信號幅值

8熬尺、ICs與0–5Hz腦電圖之間的相關(guān)性摸屠。

通過檢查被試1數(shù)據(jù)子集內(nèi)每個閾值的值范圍，手動選擇閾值集的特定值粱哼。然后對數(shù)據(jù)集中剩余20名被試的剩余（保留）數(shù)據(jù)進行這些閾值驗證季二。

高頻段（如γ頻段（30+Hz））的高光譜密度可能表明EEG中存在肌電偽影。因此揭措，γ波段中包含最大功率譜密度大于20dB的IC被確定為偽影的潛在來源胯舷。

峰度提供了信號“峰值”的測量值，可以測量是否存在諸如眨眼之類的偽影绊含。如果IC的峰度超過所有IC的平均峰度±一個標準偏差桑嘶，則該IC被標記為移除。信號內(nèi)的時間依賴性由自動互信息來衡量躬充，這是一種非線性的時間依賴性逃顶。時間依賴性可以表明存在具有規(guī)則時間結(jié)構(gòu)的偽影讨便，例如眨眼。每個IC的自動互信息通過200和2000個樣本的滯后來計算（選擇用于捕獲EEG中典型眨眼和慢動作偽影的觀察時間過程）口蝠。如果IC的總自動互信息超過4.5器钟，則標記IC以刪除。

IC的“尖峰”提供了IC包含肌電或線路噪聲等偽影的可能性估計妙蔗。這種尖峰有兩種測量方法傲霸。首先，計算每個IC投影的標準偏差的平均值眉反。將每個IC的標準偏差平均值與所有IC的平均標準偏差值分布進行比較昙啄。平均標準偏差超過所有IC平均尖峰度+2個標準偏差的IC標記為刪除。其次寸五，還通過使用尖峰區(qū)系數(shù)來測量尖峰梳凛。特別是Xi-1＜Xi＞Xi+1時，X被識別為尖峰梳杏。值Xi表示樣本i處的信號幅度韧拒。然后，通過識別C＞(0.5x(μ(c)+σ(c)))的所有尖峰區(qū)系數(shù)來計算信號中尖峰的總數(shù)十性，其中C表示變異系數(shù)的幅度叛溢，μ表示平均值，σ表示標準偏差劲适。

投影IC的地形分布也可能展現(xiàn)存在的偽影楷掉。例如，前額電極中頭皮投影振幅明顯較大的IC可能表明存在眼電圖（EOG）和眨眼偽影霞势。IC投影到每個額葉EEG通道的標準偏差平均值除以投影到其余（非額葉）通道的每個IC的標準偏差平均值烹植。如果給定IC的正面通道與非正面通道的比率大于所有IC比率的平均值+1個標準偏差，則標記IC以刪除愕贡。

EEG中低頻與高頻活動的比率也可以判別是否存在偽影（例如草雕，大量高頻活動則可能存在EMG或線路噪聲偽影）。因此固以，對于每個IC促绵，20Hz以上活動的平均功率譜密度除以20Hz以下的平均功率譜密度，形成功率譜密度比嘴纺。如果單個IC的該比率大于該比率在所有IC上的平均值+2個標準偏差败晴，則標記IC以刪除。

對于每個IC栽渴，如果IC的投影EEG信號的最大振幅超過100μV尖坤，或者如果最大峰間振幅差超過200μV，則標記IC以刪除闲擦。

此外慢味，還采用基于相關(guān)性的指數(shù)來識別包含眨眼和EOG相關(guān)偽影的IC场梆。具體而言，每個IC的投影是帶通濾波（二階巴特沃斯濾波器）到頻率范圍1–5Hz的纯路。原始EEG也被帶通濾波到相同的范圍或油。然后計算每個IC和EEG之間的皮爾遜相關(guān)系數(shù)。相關(guān)系數(shù)大于0.5的ICs表示ICs包含與EEG高度相關(guān)的1–5Hz頻帶內(nèi)的活動驰唬，因此它們可能包含EOG或眨眼偽影顶岸，標記IC以刪除。

最后叫编，移除在步驟4（見圖1）中通過每個閾值識別的IC辖佣，并使用剩余的干凈IC重建干凈的EEG。

2.2 評估

研究者提出的方法是在21名參加EEG-fMRI的健康成年人被試中進行評估的搓逾，使用該數(shù)據(jù)集作為評估本研究提出的偽影減少方法有效性的基礎(chǔ)卷谈。

研究者還將提出的方法與最先進的標準自動生理偽影去除方法進行了比較（即，最先進的EEG生理偽影去除方法霞篡，該方法不適合從EEG-fMRI同步記錄中去除生理偽影）世蔗。首先使用AAS從腦電圖中去除功能磁共振成像、BCG和50Hz電源線噪聲偽影朗兵。并且將經(jīng)AAS處理后的腦電圖與用標準方法去噪聲的腦電圖以及本研究所提出的方法進行比較污淋。

2.2.1 被試

21名（11名男性，10名女性）被試的平均年齡為24歲（標準差為2.6歲矛市，范圍為20-29歲）芙沥。所有被試都是右利手诲祸。

2.2.2 預處理

EEG和fMRI記錄首先通過標準方法進行預處理浊吏。使用SPM12，在2014bMatlab中對fMRI記錄的圖像進行預處理救氯。具體而言找田，執(zhí)行了以下預處理步驟：

1、通過使用每個功能掃描會話中記錄的第一個切片作為參考圖像着憨，應用時間層校正墩衙。

2、然后甲抖，按照Friston等人的建議漆改，通過標準重新排列和校準方法去除fMRI記錄中與運動相關(guān)的偽影。

3准谚、然后通過使用每個被試記錄的場地圖挫剑，消除被試特定的圖像扭曲效應。具體而言柱衔，功能圖像通過二次樣條插值過程重新對齊樊破，間隔為4mm愉棱，高斯平滑核為5mm。然后是四次樣條插值哲戚。

4奔滑、然后應用聯(lián)合配準將功能圖像配準到高分辨率解剖圖像。具體而言顺少，使用7mm高斯平滑核和四次樣條插值朋其。

5、通過四次樣條插值將功能圖像歸一化為標準T1模板圖像祈纯。

6令宿、最后，使用高斯濾波器對功能圖像進行平滑處理（每個維度的半寬最大值為8mm）腕窥。

從fMRI中去除運動相關(guān)偽影可生成估計的頭部運動軌跡（fMRI重新校準參數(shù)）粒没。這些是通過對功能圖像應用三維剛體變換來生成的，以估計x簇爆、y和z維度上的運動以及所有三個軸上的旋轉(zhuǎn)（傾斜癞松、偏航和反轉(zhuǎn)）。這些估計的運動軌跡用于此研究的EEG偽影去除方法入蛆。

同時對與fMRI同時記錄的EEG信號進行預處理响蓉，以消除fMRI偽影和生理偽影。具體而言哨毁，使用平均偽影減法（AAS）消除以下兩個偽影：第一枫甲，fMRI偽影，第二扼褪，心壓圖偽影想幻。此步驟使用視覺分析儀軟件（BrainProducts）中實現(xiàn)的AAS算法。

2.2.3 比較

在對EEG進行標準化預處理后话浇，EEG中仍殘留一些生理偽影脏毯。在最初使用此數(shù)據(jù)集的研究中，通過視覺檢查出仍包含噪聲的部分幔崖，并手動從分析中排除食店。而本研究中，采用研究者提出的偽影減少方法或比較先進的生理偽影消除技術(shù)赏寇，試圖減少這些生理偽影對EEG的影響吉嫩。

比較了僅通過AAS去除梯度偽影后的EEG、通過AAS和研究者提出的方法得到的干凈EEG嗅定，以及通過AAS和最先進的IC-label方法得到的干凈EEG自娩，IC-label是一種被建議用于幫助去除EEG噪聲的IC分類方法。本研究提出的方法是專門設計用來去除在同步記錄模式下的EEG中的生理偽影露戒。因此椒功，可假設它應該優(yōu)于非專門為此目的而設計的最先進的偽跡去除方法捶箱，如IC-label。

在應用本次研究的方法和IC-label之前动漾，首先通過AAS方法對EEG進行預處理丁屎，以去除fMRI和BCG偽影（同時考慮頭動引起的偽影變化）。然后將每種方法應用于預處理的EEG旱眯，并通過一系列指標評估每種方法的有效性晨川，如下所述。

具體來說删豺，為了評估本研究方法的有效性共虑，研究者比較了AAS和本研究的方法聯(lián)合去噪聲后的EEG、AAS和IC-label聯(lián)合去噪聲后的EEG呀页。為了完整性妈拌，還將這些干凈的EEG數(shù)據(jù)集與僅通過AAS去噪聲的EEG數(shù)據(jù)集進行了比較。

2.2.4 驗證

通過比較應用不同方法前后的EEG蓬蝶，驗證所提偽影消除方法的有效性尘分。通過以下6個標準評估腦電圖：

1、腦電圖目視檢查丸氛；

2培愁、腦電圖功率譜的目視檢查和統(tǒng)計分析；

3缓窜、去除偽影前后腦電圖中觀察到的偽影和手動標記偽影數(shù)量的統(tǒng)計比較定续；

4、腦電圖方差的統(tǒng)計比較禾锤；

5私股、通過信號質(zhì)量指數(shù)對腦電圖干凈程度進行分析測量；

6时肿、使用該方法前后腦電圖中額葉前不對稱的強度檢查庇茫；

視覺檢查EEG仍然是確定EEG中偽影污染量廣泛使用的方法之一港粱。一位經(jīng)驗豐富的EEG分析員并不知道每個EEG試次的內(nèi)容螃成，也不知道EEG是否已通過AAS和本研究的方法、AAS和IC-label或僅通過AAS清理查坪。然后檢查EEG寸宏，并相應標記包含偽影的部分EEG（數(shù)據(jù)中標記的偽影類型包括EOG/眨眼偽影、EMG偿曙、運動和不良通道偽影）氮凝。然后，對干凈的EEG和僅用AAS處理的EEG數(shù)據(jù)集進行統(tǒng)計比較（配對t檢驗），以確定這兩種方法是否減少了偽影污染總量刃跛。

繪制了EEG的功率譜瞬欧，并進行了目視檢查婉商。這能夠定性評估去除偽影前后EEG偽影污染的程度及其對功率譜的影響奶镶。在應用本研究方法或IC-label的前后辩尊，通過t檢驗比較了10Hz寬頻帶（0–50Hz）內(nèi)EEG的平均頻帶功率记靡。這能夠測量不同頻率下每種方法對EEG頻帶功率的影響逊彭。

此外還測量了每種方法應用前后EEG的方差傅是。EEG中噪聲的減少應導致信號方差的減少匪燕，這是衡量EEG偽影消除方法有效性的常用方法。

信號質(zhì)量指數(shù)（SQI）也用于測量每種方法應用前后EEG的干凈程度喧笔。SQI在0到1的范圍內(nèi)測量EEG偽影的污染程度帽驯，其中0表示完全干凈的EEG，符合健康成年人記錄的干凈EEG的所有正常參數(shù)（包括非零振幅书闸、預期頻率分布等）尼变，1表示偽影污染程度非常嚴重。通過t檢驗浆劲，將AAS后EEG測得的SQI與AAS處理并通過不同方法去噪的EEG進行比較享甸。SQI使用大量健康成人EEG中預先訓練和驗證的閾值。

為了驗證所提出的方法僅去除EEG中的偽影梳侨，而不改變與認知過程相關(guān)的信號成分蛉威，還檢查了應用每種偽影去除方法前后信號中的額葉前EEG不對稱性。

研究者預計走哺，如果提出的偽影消除方法按預期工作蚯嫌，則在去噪后EEG觀察到的額葉前不對稱性不會發(fā)生變化，或差值會增加丙躏。

最后择示，此方法部分基于被試頭動（在fMRI過程中測量）與EEG中肌電偽影發(fā)生率相關(guān)的假設。為了驗證這一假設晒旅，研究者測量了每個被試檢測到的肌電偽影的平均百分比與掃描過程中檢測到的頭動量之間的皮爾遜相關(guān)系數(shù)栅盲。每個被試的平均頭部運動是指整個采集過程中頭部在每個運動方向上的運動方差的平均值。

3.結(jié)果

本研究方法分兩個階段使用獨立成分分析废恋。在第一階段谈秫，移除的IC數(shù)量為2.2（±1.3），而在第二階段鱼鼓，移除的IC數(shù)量為9.5（±2.9）拟烫。

為了測試本研究方法所基于的假設，即頭動與肌電圖相關(guān)迄本，研究者測量了觀察到的頭動與標記的肌電圖偽影之間的皮爾遜相關(guān)系數(shù)硕淑。發(fā)現(xiàn)平均頭部運動與腦電圖中肌電偽影污染百分比之間存在顯著相關(guān)性。這表明此假設是正確的。

圖2示出了僅應用AAS和應用AAS以及本研究方法后的EEG示例置媳∮谡粒可以看到EEG信號中可見偽影的存在顯著減少。具體來說拇囊，通過AAS算法去除成像和BCG偽影后的EEG仍然受到一系列不同類型生理偽影的嚴重污染隔披，包括眨眼偽影和肌電圖。在額外應用本研究方法后寂拆，大多數(shù)這些偽影都被有效地去除了奢米。

EEG（僅應用AAS梯度去噪）

EEG（應用AAS梯度去噪+本研究方法）

圖2.應用本研究的偽影去除方法前后的EEG示例。

為了分析評估本研究方法的有效性纠永，在被試間比較了僅通過AAS清除成像和BCG偽影的EEG視覺標記結(jié)果鬓长，以及使用AAS和本研究方法或IC-label去噪后EEG。應用配對t檢驗尝江，比較觀察到的被各種偽影污染的EEG信號的總百分比涉波。結(jié)果如表1所示，用錯誤發(fā)現(xiàn)率（FDR）進行多重比較校正炭序。

表1.顯示了應用AAS啤覆、AAS和獨立成分（IC）-label以及AAS和本研究方法之后，被偽影污染的EEG百分比惭聂。后一列（p）表示應用AAS（A）窗声、AAS和IC-label（IC）以及AAS與本研究方法（P）（t檢驗）后干凈EEG之間偽影百分比差異的顯著性。

注：*表明結(jié)果具有統(tǒng)計學意義（p＜0.05）辜纲，**表明結(jié)果在統(tǒng)計學上具有高度顯著性（p＜0.01）笨觅。

可以觀察到，與僅由AAS處理的腦電圖相比耕腾，通過AAS和本研究方法的組合见剩，眨眼/EOG偽影、肌電偽影和其他運動相關(guān)偽影都顯著減少扫俺。與AAS剛剛處理的腦電圖相比苍苞，基于IC標簽的方法也顯著減少了眨眼/EOG偽影的數(shù)量，但沒有減少肌電或運動偽影狼纬。事實上羹呵，在本研究方法處理的腦電圖中，肌電偽影的數(shù)量明顯低于在IC標簽處理的腦電圖中畸颅。本研究方法和IC-label也減少了其他類型的偽影担巩，但沒有顯著減少方援。然而没炒，這可能只是因為考慮到本次數(shù)據(jù)集的大小，原始信號中沒有足夠的每種類型的偽影來可靠地進行統(tǒng)計評估。

圖3顯示了僅使用AAS和應用AAS以及本研究偽影消除方法或IC-label后的腦電圖功率譜送火∪埃可以觀察到，本研究方法衰減了所有頻率下的頻譜功率种吸，并且應用本研究方法比應用IC標簽的結(jié)果衰減了更多的頻率弃衍。功率差異在較低頻率下最大，但在所有頻率下都顯著坚俗。

圖3.比較應用AAS镜盯、AAS和IC-label以及AAS和本研究方法后測得的EEG功率譜。實線表示所有被試的平均功率譜猖败，陰影區(qū)域表示95%置信區(qū)間速缆。

為了測量使用各方法后EEG的干凈程度，研究者測量了EEG的方差和信號質(zhì)量指數(shù)（SQI）恩闻。通過應用配對t檢驗來評估方差或SQI是否顯著降低艺糜。結(jié)果如圖4所示。與僅使用AAS相比幢尚，AAS+IC-label后方差和SQI均顯著降低（信號質(zhì)量得到改善）破停；而AAS+本研究方法相對于僅使用AAS，方差和SQI指數(shù)也進一步顯著降低尉剩。此外真慢，與IC-label相比，本研究方法顯著降低了方差理茎。然而晤碘，IC-label和本研究方法之間的SQI沒有顯著差異。

圖4.信號質(zhì)量功蜓。圖4a顯示了所有被試的平均方差园爷，即僅通過AAS處理的腦電圖，以及通過AAS和IC-label方法去噪后的腦電圖式撼，以及通過AAS和本研究方法去噪后的腦電圖童社。圖4b顯示了經(jīng)AAS處理的腦電圖、經(jīng)AAS和IC-label方法去噪后腦電圖以及經(jīng)AAS和本研究提出的方法去噪后腦電圖的平均信號質(zhì)量指數(shù)（SQI）著隆。

有效的偽影去除方法應去除EEG中的噪聲成分扰楼，同時保持神經(jīng)源信號成分不受影響。為了評估這一點美浦，研究者在四個關(guān)鍵EEG頻帶（δ弦赖、α、β和γ）中測量了僅通過AAS處理的EEG浦辨、通過AAS和IC-label處理的EEG蹬竖、通過AAS和本研究方法處理后的EEG，各EEG的額葉前不對稱性。結(jié)果如圖5所示币厕。

圖5.在僅用AAS列另、用AAS和IC-label以及用AAS和本研究方法處理后的腦電圖中，高和低價試次之間的額葉前腦電圖不對稱性差異旦装。

對每個頻帶進行配對t檢驗页衙，發(fā)現(xiàn)在δ頻帶中，應用AAS和本研究方法處理后阴绢，低和高價條件之間的EEG不對稱性差異顯著大于僅用AAS處理的腦電圖或用AAS和IC-label處理的腦電圖店乐。在α帶中，AAS處理后的腦電圖與經(jīng)AAS和IC-label處理的腦電圖之間存在較小但顯著的不對稱性差異呻袭，未發(fā)現(xiàn)其他差異响巢。然而，在所有情況下棒妨，低價和高價條件之間的不對稱性顯著不同踪古。

在β頻段，AAS和IC-label的應用似乎消除了僅AAS處理后的EEG中存在的顯著不對稱性差異券腔，而AAS和本研究方法的應用保留了這一顯著不對稱性差異伏穆。最后，在γ波段纷纫，應用AAS和IC-label似乎也消除了僅應用AAS處理后時發(fā)現(xiàn)的不對稱性的顯著差異枕扫，而應用AAS和本研究方法保留了這種差異。

最后辱魁，研究者還檢查了應用不同方法后烟瞧，關(guān)鍵頻帶（δ、α染簇、β和γ）中腦電圖頻帶功率的地形参滴。所有被試的平均地形如圖6所示《凸可以觀察到砾赔，如果僅應用AAS，則周圍顳部和枕部區(qū)域有相當大的活動青灼，這通常表示肌電圖偽影暴心。當再應用IC-label或本研究方法時，該偽影被去除杂拨。

綜上所述专普，本研究方法能夠有效地去除腦電圖中的偽影，同時更好地保留情緒刺激引起的腦電圖不對稱性差異弹沽。

圖6.三種方法處理后各頻段的地形圖檀夹。

4.討論

EEG的偽影污染在EEG-fMRI的聯(lián)合分析中是一個重大挑戰(zhàn)筋粗，雖然有幾種方法可以消除大多數(shù)成像和BCG偽影，但很少有方法專門設計用于處理EEG中剩余的生理偽影击胜。此外亏狰，這些偽影通常表現(xiàn)出與在fMRI掃描儀外記錄的生理偽影不同的形態(tài)和輪廓役纹。這意味著偶摔，將為在掃描環(huán)境外記錄的腦電圖而開發(fā)的去除偽影方法，不一定適用于于在掃描環(huán)境內(nèi)記錄的腦電圖促脉。

本研究提出的方法相對其他方法辰斋，能有效地從EEG-fMRI的同步記錄的EEG中去除健康成年人常見的生理偽影，并且有效保留神經(jīng)活動信號瘸味。目前此方法只適用于離線分析EEG宫仗，還不適用于在記錄期間需要處理EEG的實驗范式。

原文：Removal of physiological artifacts from simultaneous EEG and fMRI recordings.

https://doi.org/10.1016/j.clinph.2021.05.036