EEG中的EOG伪迹

1、眼电伪迹产生的原理

1.1、理论模型

(1)角膜(正电位)-视网膜(负电位)偶极子模型
(2)相较于1,视网膜占主要作用的偶极子模型
(3)眼皮/眼睑运动

1.2、电位的传播模式

(1)传播方式依赖于头组织(头骨,头皮,神经组织)的滤波性质有关。电位与距离的平方近似成负相关:V∝−d2V∝-d^2Vd2,其中d为脑电采集电极与眼电源之间的距离。
(2)HEOG横向传播,左侧为正电位右侧为负电位,中间为0(左右电位抵消)。

2、眼电伪迹去除方法

如果试验数据足够,直接舍去包含伪迹的脑电。在尽量保留数据的前提下,尝试使用以下方法。

2.1、从源头减少伪迹——试验方法

(1)尽量闭眼试验
(2)睁眼试验时,有注视点可减少伪迹

2.1、时域方法

方法(1-2)需要眼电信号作为参考信号
(1)使用回归方法估计眼电在每个导联的衰减系数
(2)自适应滤波方法[2](PS:数据较长时,计算比较慢;可用于离线和短数据在线分析)

2.2、频域方法

参考文献
[1] Croft R J, Barry R J. Removal of ocular artifact from the EEG: a review[J]. Neurophysiologie Clinique/Clinical Neurophysiology, 2000, 30(1): 5-19.
[2] He P , Wilson G , Russell C . Removal of ocular artifacts from electro-encephalogram by adaptive filtering[J]. Medical & Biological Engineering & Computing, 2004.

### 脑电数据伪迹处理的实现 以下是基于独立成分分析 (ICA) 的 Python 实现代码,用于去除脑电信号中的伪迹。这种方法能够有效分离并剔除由、肌肉活等引起的伪迹。 ```python import mne from mne.datasets import sample # 加载样本数据集 data_path = sample.data_path() raw_fname = data_path + '/MEG/sample/sample_audvis_raw.fif' raw = mne.io.read_raw_fif(raw_fname, preload=True) # 过滤高频噪声 raw.filter(1, 40, fir_design='firwin') # 计算 ICA 成分 ica = mne.preprocessing.ICA(n_components=0.95, random_state=97, max_iter=800) ica.fit(raw) # 查找 EOG 和 ECG 成分 eog_epochs = mne.preprocessing.create_eog_epochs(raw) ecg_epochs = mne.preprocessing.create_ecg_epochs(raw) eog_inds, scores = ica.find_bads_eog(eog_epochs) ecg_inds, scores = ica.find_bads_ecg(ecg_epochs) # 移除找到的伪迹成分 ica.exclude.extend(eog_inds) ica.exclude.extend(ecg_inds) # 应用修正后的信号 raw_cleaned = raw.copy() ica.apply(raw_cleaned) # 可视化原始与清理后的对比 fig = raw.plot(block=False, title="Raw Data with Artifacts") fig_cleaned = raw_cleaned.plot(block=False, title="Cleaned Data after Artifact Removal") print("Artifact removal completed using ICA method.") ``` 此代码实现了以下功能: - 使用 `mne` 工具包加载和预处理 EEG 数据[^3]。 - 利用独立成分分析 (ICA) 方法检测并移除由 (EOG) 和心率 (ECG) 引起的主要伪迹[^4]。 - 提供可视化工具来比较原始数据与经过伪迹清除的数据效果。 需要注意的是,直接移除法虽然简单易行,但它可能会丢失部分有用的信息[^1]。相比之下,ICA 方法能够在保留更多真实脑电信号的同时减少伪迹的影响。 --- ####
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值