EEG-fMRI同步记录的伪影去除法

大家好，这里是 “茗创科技” 。茗创科技专注于脑科学数据处理，涵盖（EEG/ERP, fMRI,结构像,DTI,ASL, ,FNIRS）等，欢迎留言讨论及转发推荐，也欢迎了解茗创科技的脑电课程，数据处理服务及脑科学工作站销售业务，可添加我们的工程师（MCKJ-zhouyi或17373158786）咨询。
————————————————
版权声明：本文为CSDN博主「茗创科技」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/u011661076/article/details/125506143

目的：同时记录脑电图(EEG)和功能磁共振成像(fMRI)可以结合电生理和血流动力学信息，形成更完整的脑动力学图像。然而，在MRI扫描仪内记录的EEG同时受到成像伪影和生理伪影的污染。用于预处理此类EEG的大多数技术侧重于去除成像和心压图伪影，但并未去除所有其他生理伪影。

方法：研究者提出了一种新的离线EEG伪影去除方法，该方法基于独立成分分析和基于fMRI的头部运动估计相结合的方法，以帮助去除EEG-fMRI记录中的生理伪影。此方法创新地利用了从fMRI记录中估计的头部运动轨迹，以帮助识别EEG中的生理伪影，并需要在EEG中去除fMRI成像伪影后使用。

结果：对健康成人被试在EEG-fMRI同步记录的EEG进行了评估。本研究的方法显著减少了所有类型的生理伪影对脑电图的影响。将此方法与最先进的生理伪影去除方法进行了比较，并展示了本研究方法在去除生理伪影上的优异性能。

结论：与其他最先进的方法相比，本研究的方法能够从EEG-fMRI同步记录的EEG中去除更多的生理伪影成分。

意义：研究者提出的方法在去除EEG-fMRI同步记录的EEG中的生理噪声方面，比当前的处理流程有显著的改进。

1.引言

脑电图(EEG)和功能磁共振成像(fMRI)的同时记录和联合分析越来越多地被用作了解大脑的神经科学工具。EEG记录来自皮层的电生理信号，而fMRI记录整个大脑血流动力学反应的信号。因此，EEG可以直接测量时间分辨率高但空间分辨率低的神经元簇的电生理活动，而fMRI可以间接测量时间分辨率低但空间分辨率高的电生理活动的血流动力学反应。通过整合这些信号，可以比单独使用任何一种记录模式更精确地理解神经活动。

然而，同时记录这两种不同的模式有相当大的技术挑战。其中最难的是从fMRI记录的EEG信号中有效去除伪影。EEG-fMRI同步记录中最大的伪影是fMRI扫描仪诱发的成像伪影，一般是一个大且规律、重复的信号。目前已有方法能有效去除成像伪影，但并不能去除其他类型伪影，如生理伪影。

扫描过程中被试头动会使从EEG中去除fMRI伪影变得更加困难。已有研究证明头动会在EEG中产生较大的尖峰伪影，因此有学者提出应考虑扫描过程中被试的头动，并且相应地在EEG中部分矫正伪影。

EEG还受到心压图(BCG)伪影的污染。这一伪影是由被试头部的轻微运动以及脉搏引起的全身血流变化造成。当被试在fMRI过程中被置于稳定的静态磁场中时，即使头部运动导致电极的微小运动也会在EEG中诱发较大的伪影。

BCG伪影的振幅与EEG信号的振幅相似，甚至更高。它还占用类似的频率范围，并且不像成像伪影那样具有规律性和可预测性。因此将其从EEG中删除相当具有挑战性。尽管如此，BCG伪影可通过与去除成像伪影相同的AAS算法来移除。从被试身上记录一个单独的ECG信号，并使用该信号形成BCG伪影的模板，然后从EEG中减去该模板。这种方法在许多情况下都有效。然而，由于BCG信号不像成像伪影那样规则，因此在其他不假设有规则伪影的方法（如独立成分分析(ICA)、机器学习、谐波回归、稀疏分解或深度学习）上被认为更有效。

在EEG-fMRI同步记录过程中，在EEG中发现的最后一种伪影类型是被试的生理伪影。这些伪影包括眼动伪影、肌电伪影，以及其他运动相关伪影等。生理伪影也存在于扫描仪外的脑电图记录中，因为它们来自被试本身，而不是来自fMRI成像设备。

首先，被试在扫描仪内的头动可能会改变EEG信号和相关伪影的形态，从而导致在扫描仪外记录的EEG上开发的伪影去除方法不适用于同步记录下的脑电图。

第二，在fMRI记录过程中，被试躺下来，头放在枕头上，用软填充材料固定身体。虽然限制了被试在扫描仪中的运动，但也可能导致与运动相关的生理伪影的频率和形态变化，如脑电图的肌电图污染。换句话说，躺着时颈部肌肉的弯曲度与直立时是不同的。

第三，被试动作的变化（从坐到躺下）也会影响EEG。特别是，当被试仰卧时（如fMRI扫描仪所要求的那样），从枕电极部位记录的EEG幅度会显著降低（高达80%）。因此，基于坐姿或俯卧的被试记录EEG开发的伪影去除方法，可能不太适合用于扫描仪中记录的EEG。

最后，与在扫描仪外记录的EEG相比，在fMRI扫描仪的环境中，被试仰卧着，通常有严格的禁止移动指示和关于潜在危险的严重警告，这可能会有意识或潜意识地使被试更加紧张。由于控制头部的斜方肌活动增加，这可能导致EEG中有更多的肌电伪影。

通常，在分析EEG-fMRI同步记录的EEG时，不会考虑这些生理伪影的不同特性。通常认为，去除成像伪影和BCG伪影，再加上“标准”生理伪影去除方法就足够了。此外，尽管基于平均模板的伪影去除在去除成像伪影方面非常有效，但在去除其他非脉冲相关的头动导致的伪影方面效果不佳。

综上所述，AAS伪影去除方法不能从EEG中去除生理伪影，其他最先进的生理伪影去除方法没有针对在EEG-fMRI同步记录过程中记录的生理伪影进行优化。

本文研究者提出了一种新方法来去除EEG中残留的生理伪影，包括与头动相关的生理伪影。具体而言，该方法利用功能磁共振成像（fMRI）和脑电（EEG）的同步记录来估计被试的头部运动轨迹，并利用该方法有效地去除EEG中的生理伪影。此方法要在用当前最先进的方法去除成像伪影和BCG伪影后使用。

该方法首先试图将EEG分解为一组统计上独立的成分，然后确定这些成分的子集，这些成分包含与头动和其他类型的生理伪影相关的EEG活动。通过测量每个独立成分中的活动与估计的头部运动轨迹之间的相关性，识别与头部运动相关的成分。通过fMRI扫描估计头部运动轨迹。

这种方法基于：EEG中的一些生理伪影是由头部运动引起的假设。然后，通过单独的ICA分解和阈值化技术的组合来识别与头部运动无关的其他生理伪影，选择阈值以最佳地识别在EEG-fMRI同步记录期间记录的EEG中的生理伪影。

此外，本文还将此方法与“标准”生理伪影去除方法进行了比较。具体来说，首先使用AAS方法从EEG中去除fMRI成像和BCG伪影。然后使用这种无成像伪影的EEG，将本研究方法与独立成分（IC）标记的最先进的“标准”生理伪影去除方法进行比较。

2.方法

2.1 伪影去除方法

生理伪影，包括头部运动相关的生理伪影，通过两个阶段从EEG中去除。在这两个阶段中，通过ICA将EEG分解为一组最大统计独立的成分。在第一阶段，确定与估计的头部移动（以平移和旋转表示）相关的活动成分。在第二阶段，通过一组阈值进一步确定包含与生理伪影（眨眼、肌电图等）相关的独立成分集。（见图1）

图1.整个处理流程，展示如何从EEG和fMRI联合记录的EEG中移除生理伪影。在使用该方法之前，必须首先通过AAS或类似方法从EEG中去除fMRI伪影。然后，通过ICA的自适应混合独立成分分析仪（AMICA）实现对EEG进行去混合，同时通过平均伪影减法（AAS）估计扫描仪中的头动。然后选择独立成分（IC）进行删除，然后在第二个ICA阶段，使用二阶盲源独立成分分析（SOBI）进一步对数据进行除噪。

在算法的步骤1.a中，首先通过滤波器对EEG进行滤波频率范围为1-100Hz的带通滤波。这将衰减高频伪影，并从信号中消除低频趋势。

然后将ICA的自适应混合独立成分分析仪（AMICA）应用于EEG，将其分解为最大程度上相互独立的成分。AMICA之所以被选入这一阶段，是因为它在从EEG中分离肌电伪影成分方面具有很高的性能。

然后在步骤1.b中对fMRI进行预处理（见图1）。此方法旨在补充最先进的fMRI伪影去除技术。在Brain Vision软件中使用了AAS脚本，从EEG中去除fMRI成像伪影和BCG伪影。

通过二阶多项式模拟时间相邻的功能图像之间的兴奋变化和位置之间的关系，从fMRI记录中估计头部运动轨迹。然后通过低通插值将估计的fMRI重校准参数（头部运动轨迹）上采样（与EEG相同的采样率），再通过公式：△mt=mt-mt-1测量每个轨迹随时间的变化，其中mt表示时间t的运动轨迹。

在步骤2中（见图1），AMICA估计的头部运动轨迹和独立成分都是z分数的，平均值为零，标准偏差为1。这确保了在该方法的后续步骤中，独立成分（IC）的振幅和运动轨迹具有相同的量级。

然后，计算滑动窗口内每个独立成分的均方根振幅，滑动窗口的长度等于fMRI扫描序列的重复时间（TR）。这能够在估计的运动轨迹的相同时间尺度上估计从EEG中提取的每个成分的平均振幅。选择滑动窗口长度等于重复时间，以帮助将来将算法转换为可在线使用的方法。

皮尔逊相关系数用于测量每个IC与x、y和z维度的运动轨迹和旋转之间的平均相关性。具体而言，对于给定的IC，计算每个估计运动轨迹的平均相关系数，如下所示。

如果某ICs和估计头部运动（CC）之间的相关性超过所有IC平移或旋转运动的平均相关性的1个标准偏差，则确定移除该IC。阈值是从训练数据的检查中选择的。然后，通过在步骤2中识别的第一个归零ICs重构部分清洁的EEG，该ICs包含与头部运动相关的信息，然后将剩余ICs与步骤2中估计的混合矩阵相乘（见图1）。

在研究者提出的伪影去除方法（见图1）的步骤3中，部分干净的的EEG得到进一步处理，以去除与头部运动无关的其他生理伪影，而伪影去除过程的第二阶段由3个步骤组成：分解、阈值和重组。

沿信号移动长度为30s的滑动窗口（根据一名研究被试对EEG的目测检查，选择该窗口以最佳方式捕获伪影的统计分布），步长为30s。该固定窗口大小允许识别阈值，以拒绝影响EEG的伪影，而且无论EEG记录的总长度如何，只能在30s固定长度窗口内识别和移除伪影。

在每个30s窗口内，通过ICA方法的二阶盲源独立成分分析（SOBI）变体对部分干净的EEG进行分解。之所以选择SOBI，是因为该算法在这一阶段的目标是消除与头动无关的生理伪影（例如眨眼、心电图（ECG）、眼球运动等）。

在算法的步骤4中（见图1），确定哪些IC包含生理伪影，因此，哪些IC应该从IC集中移除。通过以下标准识别受伪影污染的IC。

1、γ波段功率谱密度

2、信号峰度

3、信号内的时间依赖量

4、信号尖峰

5、额叶EEG活动与其他通道的比率

6、低、高频段功率比

7、信号幅值

8、ICs与0–5Hz脑电图之间的相关性。

通过检查被试1数据子集内每个阈值的值范围，手动选择阈值集的特定值。然后对数据集中剩余20名被试的剩余（保留）数据进行这些阈值验证。

高频段（如γ频段（30+Hz））的高光谱密度可能表明EEG中存在肌电伪影。因此，γ波段中包含最大功率谱密度大于20dB的IC被确定为伪影的潜在来源。

峰度提供了信号“峰值”的测量值，可以测量是否存在诸如眨眼之类的伪影。如果IC的峰度超过所有IC的平均峰度±一个标准偏差，则该IC被标记为移除。信号内的时间依赖性由自动互信息来衡量，这是一种非线性的时间依赖性。时间依赖性可以表明存在具有规则时间结构的伪影，例如眨眼。每个IC的自动互信息通过200和2000个样本的滞后来计算（选择用于捕获EEG中典型眨眼和慢动作伪影的观察时间过程）。如果IC的总自动互信息超过4.5，则标记IC以删除。

IC的“尖峰”提供了IC包含肌电或线路噪声等伪影的可能性估计。这种尖峰有两种测量方法。首先，计算每个IC投影的标准偏差的平均值。将每个IC的标准偏差平均值与所有IC的平均标准偏差值分布进行比较。平均标准偏差超过所有IC平均尖峰度+2个标准偏差的IC标记为删除。其次，还通过使用尖峰区系数来测量尖峰。特别是Xi-1＜Xi＞Xi+1时，X被识别为尖峰。值Xi表示样本i处的信号幅度。然后，通过识别C＞(0.5x(μ(c)+σ(c)))的所有尖峰区系数来计算信号中尖峰的总数，其中C表示变异系数的幅度，μ表示平均值，σ表示标准偏差。

投影IC的地形分布也可能展现存在的伪影。例如，前额电极中头皮投影振幅明显较大的IC可能表明存在眼电图（EOG）和眨眼伪影。IC投影到每个额叶EEG通道的标准偏差平均值除以投影到其余（非额叶）通道的每个IC的标准偏差平均值。如果给定IC的正面通道与非正面通道的比率大于所有IC比率的平均值+1个标准偏差，则标记IC以删除。

EEG中低频与高频活动的比率也可以判别是否存在伪影（例如，大量高频活动则可能存在EMG或线路噪声伪影）。因此，对于每个IC，20Hz以上活动的平均功率谱密度除以20Hz以下的平均功率谱密度，形成功率谱密度比。如果单个IC的该比率大于该比率在所有IC上的平均值+2个标准偏差，则标记IC以删除。

对于每个IC，如果IC的投影EEG信号的最大振幅超过100μV，或者如果最大峰间振幅差超过200μV，则标记IC以删除。

此外，还采用基于相关性的指数来识别包含眨眼和EOG相关伪影的IC。具体而言，每个IC的投影是带通滤波（二阶巴特沃斯滤波器）到频率范围1–5Hz的。原始EEG也被带通滤波到相同的范围。然后计算每个IC和EEG之间的皮尔逊相关系数。相关系数大于0.5的ICs表示ICs包含与EEG高度相关的1–5Hz频带内的活动，因此它们可能包含EOG或眨眼伪影，标记IC以删除。

最后，移除在步骤4（见图1）中通过每个阈值识别的IC，并使用剩余的干净IC重建干净的EEG。

2.2 评估

研究者提出的方法是在21名参加EEG-fMRI的健康成年人被试中进行评估的，使用该数据集作为评估本研究提出的伪影减少方法有效性的基础。

研究者还将提出的方法与最先进的标准自动生理伪影去除方法进行了比较（即，最先进的EEG生理伪影去除方法，该方法不适合从EEG-fMRI同步记录中去除生理伪影）。首先使用AAS从脑电图中去除功能磁共振成像、BCG和50Hz电源线噪声伪影。并且将经AAS处理后的脑电图与用标准方法去噪声的脑电图以及本研究所提出的方法进行比较。

2.2.1 被试

21名（11名男性，10名女性）被试的平均年龄为24岁（标准差为2.6岁，范围为20-29岁）。所有被试都是右利手。

2.2.2 预处理

EEG和fMRI记录首先通过标准方法进行预处理。使用SPM12，在2014bMatlab中对fMRI记录的图像进行预处理。具体而言，执行了以下预处理步骤：

1、通过使用每个功能扫描会话中记录的第一个切片作为参考图像，应用时间层校正。

2、然后，按照Friston等人的建议，通过标准重新排列和校准方法去除fMRI记录中与运动相关的伪影。

3、然后通过使用每个被试记录的场地图，消除被试特定的图像扭曲效应。具体而言，功能图像通过二次样条插值过程重新对齐，间隔为4mm，高斯平滑核为5mm。然后是四次样条插值。

4、然后应用联合配准将功能图像配准到高分辨率解剖图像。具体而言，使用7mm高斯平滑核和四次样条插值。

5、通过四次样条插值将功能图像归一化为标准T1模板图像。

6、最后，使用高斯滤波器对功能图像进行平滑处理（每个维度的半宽最大值为8mm）。

从fMRI中去除运动相关伪影可生成估计的头部运动轨迹（fMRI重新校准参数）。这些是通过对功能图像应用三维刚体变换来生成的，以估计x、y和z维度上的运动以及所有三个轴上的旋转（倾斜、偏航和反转）。这些估计的运动轨迹用于此研究的EEG伪影去除方法。

同时对与fMRI同时记录的EEG信号进行预处理，以消除fMRI伪影和生理伪影。具体而言，使用平均伪影减法（AAS）消除以下两个伪影：第一，fMRI伪影，第二，心压图伪影。此步骤使用视觉分析仪软件（BrainProducts）中实现的AAS算法。

2.2.3 比较

在对EEG进行标准化预处理后，EEG中仍残留一些生理伪影。在最初使用此数据集的研究中，通过视觉检查出仍包含噪声的部分，并手动从分析中排除。而本研究中，采用研究者提出的伪影减少方法或比较先进的生理伪影消除技术，试图减少这些生理伪影对EEG的影响。

比较了仅通过AAS去除梯度伪影后的EEG、通过AAS和研究者提出的方法得到的干净EEG，以及通过AAS和最先进的IC-label方法得到的干净EEG，IC-label是一种被建议用于帮助去除EEG噪声的IC分类方法。本研究提出的方法是专门设计用来去除在同步记录模式下的EEG中的生理伪影。因此，可假设它应该优于非专门为此目的而设计的最先进的伪迹去除方法，如IC-label。

在应用本次研究的方法和IC-label之前，首先通过AAS方法对EEG进行预处理，以去除fMRI和BCG伪影（同时考虑头动引起的伪影变化）。然后将每种方法应用于预处理的EEG，并通过一系列指标评估每种方法的有效性，如下所述。

具体来说，为了评估本研究方法的有效性，研究者比较了AAS和本研究的方法联合去噪声后的EEG、AAS和IC-label联合去噪声后的EEG。为了完整性，还将这些干净的EEG数据集与仅通过AAS去噪声的EEG数据集进行了比较。

2.2.4 验证

通过比较应用不同方法前后的EEG，验证所提伪影消除方法的有效性。通过以下6个标准评估脑电图：

1、脑电图目视检查；

2、脑电图功率谱的目视检查和统计分析；

3、去除伪影前后脑电图中观察到的伪影和手动标记伪影数量的统计比较；

4、脑电图方差的统计比较；

5、通过信号质量指数对脑电图干净程度进行分析测量；

6、使用该方法前后脑电图中额叶前不对称的强度检查；

视觉检查EEG仍然是确定EEG中伪影污染量广泛使用的方法之一。一位经验丰富的EEG分析员并不知道每个EEG试次的内容，也不知道EEG是否已通过AAS和本研究的方法、AAS和IC-label或仅通过AAS清理。然后检查EEG，并相应标记包含伪影的部分EEG（数据中标记的伪影类型包括EOG/眨眼伪影、EMG、运动和不良通道伪影）。然后，对干净的EEG和仅用AAS处理的EEG数据集进行统计比较（配对t检验），以确定这两种方法是否减少了伪影污染总量。

绘制了EEG的功率谱，并进行了目视检查。这能够定性评估去除伪影前后EEG伪影污染的程度及其对功率谱的影响。在应用本研究方法或IC-label的前后，通过t检验比较了10Hz宽频带（0–50Hz）内EEG的平均频带功率。这能够测量不同频率下每种方法对EEG频带功率的影响。

此外还测量了每种方法应用前后EEG的方差。EEG中噪声的减少应导致信号方差的减少，这是衡量EEG伪影消除方法有效性的常用方法。

信号质量指数（SQI）也用于测量每种方法应用前后EEG的干净程度。SQI在0到1的范围内测量EEG伪影的污染程度，其中0表示完全干净的EEG，符合健康成年人记录的干净EEG的所有正常参数（包括非零振幅、预期频率分布等），1表示伪影污染程度非常严重。通过t检验，将AAS后EEG测得的SQI与AAS处理并通过不同方法去噪的EEG进行比较。SQI使用大量健康成人EEG中预先训练和验证的阈值。

为了验证所提出的方法仅去除EEG中的伪影，而不改变与认知过程相关的信号成分，还检查了应用每种伪影去除方法前后信号中的额叶前EEG不对称性。

研究者预计，如果提出的伪影消除方法按预期工作，则在去噪后EEG观察到的额叶前不对称性不会发生变化，或差值会增加。

最后，此方法部分基于被试头动（在fMRI过程中测量）与EEG中肌电伪影发生率相关的假设。为了验证这一假设，研究者测量了每个被试检测到的肌电伪影的平均百分比与扫描过程中检测到的头动量之间的皮尔逊相关系数。每个被试的平均头部运动是指整个采集过程中头部在每个运动方向上的运动方差的平均值。

3.结果

本研究方法分两个阶段使用独立成分分析。在第一阶段，移除的IC数量为2.2（±1.3），而在第二阶段，移除的IC数量为9.5（±2.9）。

为了测试本研究方法所基于的假设，即头动与肌电图相关，研究者测量了观察到的头动与标记的肌电图伪影之间的皮尔逊相关系数。发现平均头部运动与脑电图中肌电伪影污染百分比之间存在显著相关性。这表明此假设是正确的。

图2示出了仅应用AAS和应用AAS以及本研究方法后的EEG示例。可以看到EEG信号中可见伪影的存在显著减少。具体来说，通过AAS算法去除成像和BCG伪影后的EEG仍然受到一系列不同类型生理伪影的严重污染，包括眨眼伪影和肌电图。在额外应用本研究方法后，大多数这些伪影都被有效地去除了。

EEG（仅应用AAS梯度去噪）

EEG（应用AAS梯度去噪+本研究方法）

图2.应用本研究的伪影去除方法前后的EEG示例。

为了分析评估本研究方法的有效性，在被试间比较了仅通过AAS清除成像和BCG伪影的EEG视觉标记结果，以及使用AAS和本研究方法或IC-label去噪后EEG。应用配对t检验，比较观察到的被各种伪影污染的EEG信号的总百分比。结果如表1所示，用错误发现率（FDR）进行多重比较校正。

表1.显示了应用AAS、AAS和独立成分（IC）-label以及AAS和本研究方法之后，被伪影污染的EEG百分比。后一列（p）表示应用AAS（A）、AAS和IC-label（IC）以及AAS与本研究方法（P）（t检验）后干净EEG之间伪影百分比差异的显著性。

注：*表明结果具有统计学意义（p＜0.05），**表明结果在统计学上具有高度显著性（p＜0.01）。

可以观察到，与仅由AAS处理的脑电图相比，通过AAS和本研究方法的组合，眨眼/EOG伪影、肌电伪影和其他运动相关伪影都显著减少。与AAS刚刚处理的脑电图相比，基于IC标签的方法也显著减少了眨眼/EOG伪影的数量，但没有减少肌电或运动伪影。事实上，在本研究方法处理的脑电图中，肌电伪影的数量明显低于在IC标签处理的脑电图中。本研究方法和IC-label也减少了其他类型的伪影，但没有显著减少。然而，这可能只是因为考虑到本次数据集的大小，原始信号中没有足够的每种类型的伪影来可靠地进行统计评估。

图3显示了仅使用AAS和应用AAS以及本研究伪影消除方法或IC-label后的脑电图功率谱。可以观察到，本研究方法衰减了所有频率下的频谱功率，并且应用本研究方法比应用IC标签的结果衰减了更多的频率。功率差异在较低频率下最大，但在所有频率下都显著。

图3.比较应用AAS、AAS和IC-label以及AAS和本研究方法后测得的EEG功率谱。实线表示所有被试的平均功率谱，阴影区域表示95%置信区间。

为了测量使用各方法后EEG的干净程度，研究者测量了EEG的方差和信号质量指数（SQI）。通过应用配对t检验来评估方差或SQI是否显著降低。结果如图4所示。与仅使用AAS相比，AAS+IC-label后方差和SQI均显著降低（信号质量得到改善）；而AAS+本研究方法相对于仅使用AAS，方差和SQI指数也进一步显著降低。此外，与IC-label相比，本研究方法显著降低了方差。然而，IC-label和本研究方法之间的SQI没有显著差异。

图4.信号质量。图4a显示了所有被试的平均方差，即仅通过AAS处理的脑电图，以及通过AAS和IC-label方法去噪后的脑电图，以及通过AAS和本研究方法去噪后的脑电图。图4b显示了经AAS处理的脑电图、经AAS和IC-label方法去噪后脑电图以及经AAS和本研究提出的方法去噪后脑电图的平均信号质量指数（SQI）。

有效的伪影去除方法应去除EEG中的噪声成分，同时保持神经源信号成分不受影响。为了评估这一点，研究者在四个关键EEG频带（δ、α、β和γ）中测量了仅通过AAS处理的EEG、通过AAS和IC-label处理的EEG、通过AAS和本研究方法处理后的EEG，各EEG的额叶前不对称性。结果如图5所示。

图5.在仅用AAS、用AAS和IC-label以及用AAS和本研究方法处理后的脑电图中，高和低价试次之间的额叶前脑电图不对称性差异。

对每个频带进行配对t检验，发现在δ频带中，应用AAS和本研究方法处理后，低和高价条件之间的EEG不对称性差异显著大于仅用AAS处理的脑电图或用AAS和IC-label处理的脑电图。在α带中，AAS处理后的脑电图与经AAS和IC-label处理的脑电图之间存在较小但显著的不对称性差异，未发现其他差异。然而，在所有情况下，低价和高价条件之间的不对称性显著不同。

在β频段，AAS和IC-label的应用似乎消除了仅AAS处理后的EEG中存在的显著不对称性差异，而AAS和本研究方法的应用保留了这一显著不对称性差异。最后，在γ波段，应用AAS和IC-label似乎也消除了仅应用AAS处理后时发现的不对称性的显著差异，而应用AAS和本研究方法保留了这种差异。

最后，研究者还检查了应用不同方法后，关键频带（δ、α、β和γ）中脑电图频带功率的地形。所有被试的平均地形如图6所示。可以观察到，如果仅应用AAS，则周围颞部和枕部区域有相当大的活动，这通常表示肌电图伪影。当再应用IC-label或本研究方法时，该伪影被去除。

综上所述，本研究方法能够有效地去除脑电图中的伪影，同时更好地保留情绪刺激引起的脑电图不对称性差异。

图6.三种方法处理后各频段的地形图。

4.讨论

EEG的伪影污染在EEG-fMRI的联合分析中是一个重大挑战，虽然有几种方法可以消除大多数成像和BCG伪影，但很少有方法专门设计用于处理EEG中剩余的生理伪影。此外，这些伪影通常表现出与在fMRI扫描仪外记录的生理伪影不同的形态和轮廓。这意味着，将为在扫描环境外记录的脑电图而开发的去除伪影方法，不一定适用于于在扫描环境内记录的脑电图。

本研究提出的方法相对其他方法，能有效地从EEG-fMRI的同步记录的EEG中去除健康成年人常见的生理伪影，并且有效保留神经活动信号。目前此方法只适用于离线分析EEG，还不适用于在记录期间需要处理EEG的实验范式。

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

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

文章来源于微信公众号（茗创科技），欢迎有兴趣的朋友搜索关注。