使用ERP-lab进行伪迹检测与拒绝
本文来源Bryan Chen（University of Padova/认知心理学博士）原创，写作权归作者所有。本文授权转载，如需转载，请联系原作者。
分析脑电数据的时候，怎么排除伪迹（Artifact）的影响呢？
答案是：
ICA假设伪迹和ERP拥有相互独立的时程，但实际当你拿到数据以后就会发现，这个假设并不总是成立。如果实验中某个条件特别容易引起眼动，那么该条件所诱发的成分就和眼动伪迹的时程相关。下图的信号就通过算法被衰减了，而这些信号可能是你需要分析的。
尽管通过叠加平均，我们可以把淹没在背景EEG中的ERP提取出来，但需要知道的是，噪音的降低是与叠加trial数的平方根成正比。也就是说，你需要增加四倍的trial数，才能将噪音降低一半。所以，仅仅通过增加trial数是无法完全过滤所有伪迹的。
一般来说，对于伪迹有两种处理方法：要么就删除，要么就修正。前文提到的ICA正是属于修正，而本篇主要分享的是如何删除。
ps：下面分享的操作，均是对分段且基线校正后的数据进行处理。示例所介绍的处理方法仅为我们团队常用的操作。针对下文提到的HEOG、VEOG阈值，不同研究甚至不同实验室的标准也存在差异，请结合自己具体的研究确定，切勿当成唯一的处理标准。
示例采用双极通道记录眼电，HEOG_left是ch17，HEOG_right是ch46，两者相减作为HEOG。VEOG则是用Fp1(ch1)与眼睛下方1cm的电极VEOG_down(ch41)相减所得。
%Creat Bip-Channels
EEG = pop_eegchanoperator(EEG, {'ch65 = ch17 - ch46 label HEOG', 'ch66 = ch1 - ch41 label VEOG'})
eeglab redraw;一. 眼电伪迹
或者具体点说，叫根据眼动的方向，分为垂直眼动（眨眼）和水平眼动（眼跳）。处理的方法有两种：
以VEOG为例，第一种方法是使用ERP-lab中的Step函数对每个trial的HEOG进行检测（250ms的时间窗，30ms的步长），如果某一trial的HEOG电压偏移超过设定的阈值（±30μV），就标记该trial。然后使用EEG-lab自带的reject epochs函数将所有标记的trial都删除。代码如下：
EEG= pop_artstep(EEG, 'Twindow', [ -200 999], 'Threshold', [30], 'Windowsize', 250, 'Windowstep', 30 , 'Channel',65 , 'Flag', 1)
%Saccade
EEG= pop_artstep(EEG, 'Twindow', [ -200 999], 'Threshold', [30], 'Windowsize', 250, 'Windowstep', 30 , 'Channel',66 , 'Flag', 1)
EEG = pop_rejepoch(EEG, [EEG.epoch.eventflag], 0)在GUI执行如下命令也能完成上述操作。
上述Step函数所执行的操作就是，从-200到50ms开始，然后往前移30ms，从-170到80ms，以此类推进行窗口的移动。然后用相邻两个窗口的平均电压相减，求得若干个电压差值，再与阈值进行比较来决定是否标记为伪迹。
Step-function对于眼电检测还是比较敏感的，尤其是使用双极通道。
根据Steven. J. Luck的表述，当眨眼发生时，眼睛上下方位点的电极极性将翻转，此时上下电压的数值相减的差值最大，更容易在和阈值对比时决定某个trial是否应该被排除。而对于水平眼跳也是同样的道理，眼睛往左看时，HEOG_left产生正电偏移，HEOG_right产生负电偏移，通过双极记录就能很好地检测这一种偏移。
另一个比较常用的是ERP-lab中的Moving Window Peak-to-Peak函数。这个函数通过对比时间窗内最大电压和最小电压之间的差异（peak to peak），并将这个差异值与我们提前设定好的阈值进行比较，超过该阈值就排除。以HEOG为例（眨眼阈值为±50μV），一般来说，HEOG的信号都会相对比较平稳，但由于眼跳的pattern比较独特，所以在伪迹检测中很容易被发现。其代码如下：
%Blink
EEG = pop_artmwppth( EEG , 'Channel', 65, 'Flag', 1, 'Threshold', 50, 'Twindow', [ -200 999], 'Windowsize', 150, 'Windowstep', 30 );
EEG = pop_rejepoch(EEG, [EEG.epoch.eventflag], 0)GUI中也可以通过如下操作执行上述命令。
二. 肌电伪迹
处理方法同上述一致，选择任意一种函数，对所有电极进行±80μV的检测，超过这一阈值的就删除。
%Muscle movement for over all channels
nchan = [1:64]
EEG=pop_artstep(EEG, 'Twindow', [0 600], 'Threshold', [80], 'Windowsize', 150, 'Windowstep', 30 , 'Channel',nchan, 'Flag', 1)
EEG = pop_rejepoch(EEG, [EEG.epoch.eventflag], 0)更多关于ERP-lab的伪迹检测函数可访问：github.com/lucklab/erpl
写在最后
总的来说，对伪迹进行删除还是修正完全取决于你的研究和数据。我试过做完ICA数据变得更好，也试过做完ICA之后结果变得更加复杂，难以解释。换句话说，只要你的数据结果显示出你预测的pattern，其它噪音即使存在也不是什么不可接受的事，未必非要用ICA去校正所有的伪迹。当然，过多地对包含伪迹的trial进行删除也会造成实验条件缺乏足够的试次，导致数据失真。
参考文献
Kiss, M., Jolicœur, P., Dell'Acqua, R., & Eimer, M. (2008). Attentional capture by visual singletons is mediated by top‐down task set: New evidence from the N2pc component.Psychophysiology,45(6), 1013-1024.
Lopez-Calderon, J., & Luck, S. J. (2014). ERPLAB: an open-source toolbox for the analysis of event-related potentials.Frontiers in human neuroscience,8, 213.
Luck, S. J. (2005). An introduction to the event-related potential technique: Cognitive neuroscience.
Woodman, G. F., & Luck, S. J. (2003). Serial deployment of attention during visual search.Journal of Experimental Psychology: Human Perception and Performance,29(1), 121.
本文内容来源知乎作者授权转载，文章仅供学习使用，不用于商业行为，若有侵权及疑问，请后台留言！
Make brain technology more simple!
推荐阅读：
《 脑电信号分析之滤波》
《 独立成分分析（ICA）》
版权声明：以上内容为用户推荐收藏至CareerEngine平台，其内容（含文字、图片、视频、音频等）及知识版权均属用户或用户转发自的第三方网站，如涉嫌侵权，请通知[email protected]进行信息删除。如需查看信息来源，请点击“查看原文”。如需洽谈其它事宜，请联系[email protected]。