如何用ICA去除脑电信号中的干扰？

《本文同步发布于“脑之说”微信公众号，欢迎搜索关注~~》   独立成分分析（ICA）已经成为脑电信号预处理，特别是去除干扰信号过程中一个标准流程。ICA是一种盲源算法，其通过一定的方法把信号分解成相互独立的多个源信号。尽管ICA算法为研究者去除脑电信号中的干扰源提供了便利，但是在具体运用时带有一定的主观性，因此需要一定的经验才能够鉴别出干扰成分。当然，目前也有一些自动化鉴别干扰成分插件，但是这些插件也只能提供一个参考而已，最后还需要自己的判定。这里，笔者总结一些典型噪声成分的特点，希望对各位朋友有所帮助。    EEGlab中植入了最常用的ICA算法，建议采用EEGlab运行ICA。ICA跑完之后，可以画出每个成分的拓扑图、功率谱曲线等，我们可以依据这些信息鉴别出噪声成分，进而把这些成分去掉。 1.眨眼   眨眼引起的干扰最主要特点是：独立成分的拓扑图主要分布于前端眼部电极，如图1所示。此外，该成分的功率谱曲线没有明显的peak。

图1

2.肌电   肌电的典型表现是：独立成分拓扑图主要集中在左侧/右侧颞叶处，如图2所示。此外，从功率谱曲线上可以看到，能量主要在高频，这主要是由于肌电一般是高频信号。

图2

3.通道噪声   通道噪声主要是由于该通道在采集过程中与头皮接触不良引起的，其典型特征是在拓扑图上集中在某一个电极上，如图3所示。

 图3

  4.心电   心电最明显的特征是该成分的时域信息，可以从该成分的信号中看到明显的心电QRS波，如图4所示。

图4

  当然，上述列举的只是ICA能够鉴别出的最常见的噪声，除此之外，ICA还可以鉴别出工频干扰等噪声。