脑电信号分析中的伪迹处理：生理与非生理伪迹的识别与消除技巧

脑电信号分析中的伪迹处理：生理与非生理伪迹的识别与消除技巧

在神经科学研究与临床诊断中，脑电信号（EEG）因其毫秒级的时间分辨率，成为探索大脑活动的黄金标准。然而，原始EEG数据中混杂的各类伪迹，常常让研究人员陷入"信号与噪声"的拉锯战。一位认知神经科学实验室的博士生曾分享："我们花了三个月采集的EEG数据，最后发现60%的时间都在和眼电伪迹搏斗。"这揭示了伪迹处理在EEG分析中的关键地位——它既是数据质量的守门人，也是后续特征提取与模式识别的基石。

本文将系统剖析EEG数据中两类主要伪迹：生理性伪迹（源自受试者自身的生理活动）与非生理性伪迹（来自设备或环境干扰）。不同于常规的理论概述，我们将聚焦实验室场景中的实战技巧，结合最新算法与经典方法，提供一套可立即落地的处理方案。无论是刚接触EEG的研究助理，还是需要优化流程的资深学者，都能从中获得可直接移植到自身研究中的技术策略。

1. 生理伪迹：从源头识别到算法消除

生理伪迹本质上是人体其他电生理活动对EEG信号的"污染"，其幅值往往远超真实的神经电活动。2019年Nature Human Behaviour的一项研究表明，未经处理的眼动伪迹可使前额叶区域的功能连接分析误差高达47%。

1.1 眼电伪迹（EOG）的指纹特征

眼动产生的伪迹具有典型的空间分布与时域特征：

• 垂直眼电：最大振幅出现在前额FP1/FP2电极，波形呈陡峭的方波状
• 水平眼电：在颞叶电极（如F7/F8）表现显著，持续时间约200-400ms
• 眨眼伪迹：全脑前部广泛分布，持续时间300-500ms，振幅可达200μV

提示：使用eeglab的plot_raw功能时，设置scrolling为10s/page可清晰捕捉眼动事件