伪影校正时选择脑电图的独立成分的实用指南

背景：脑电图数据很容易受到非神经来源信号的污染。独立分量分析(ICA)可以帮助EEG数据对这些伪影进行校正。伪迹的独立成分(ICs)可以由专家通过目测识别。但是伪迹特性有时是模糊的或难以注意到的，甚至专家也可能不同意如何对特定伪迹进行分类。因此，将伪迹属性告知用户，并给他们机会进行干预是很重要的。

新方法：这里我们首先描述由ICA捕获的伪迹。我们回顾了当前自动选择拒绝的伪迹成分的方法，并介绍了SASICA软件，实现了几个新的选择算法以及两个先前描述的自动化方法(ADJUST, Mognon等人)。

结果：我们通过比较SASICA和其他方法推荐的算法和专家手工去伪迹方法来评价这些算法。结果表明，这些方法能够有效地帮助去伪迹。然而，没有自动化的方法可以在没有监督的情况下准确地分离伪迹。因此，SASICA制作的综合和互动的图表为人类用户做出最终决策提供了有益的指导。

结论：在分析脑电图数据之前拒绝IC，不可避免地需要一定程度的监督。SASICA为观察者提供了详细的信息来指导伪迹的选择。因为它使用定量参数和阈值，提高了报告预处理程序的客观性和可重复性。SASICA也是一种教学工具，它允许用户快速理解由IC捕获的哪些信号特征使它们可能是伪迹。

（ps：小编提供经验性建议是，大多数文章还是用eeglab的内置ICA算法来去伪迹，如果不想被质疑，还是使用此方法较好，本文可以作为伪迹学习的例子）

1 引言

放置在头皮上的电极记录的脑电图(EEG)可以提供有关潜在的大脑活动的信息，但试图解释记录的信号总是受到干扰的阻碍，即非神经来源的电信号。

解释头皮脑电图的一个主要问题是，在每个电极上记录的信号反映了大脑内外不同来源的多种活动源的混合。独立成分分析(ICA)是一种广泛使用的方法，它允许分离和减去独立的活动源。该方法由Makeig等人(1996)引入到脑电图分析中，并在EEGLAB (Delorme和Makeig, 2004)中得到推广，这是一个在MATLAB (the Mathworks)下被广泛使用的软件包。ICA允许隔离统计上独立的源，称为独立成分(ICs)，作为电极的线性组合。每个IC的特征是一个地形(一组反权重值，描述独立源在电极帽上的投影)和一个时间过程，这可以被认为是直接位于该源的电极所记录的信号。由于ICs是原始电极信号的线性组合，它们可以像单电极一样在许多方面进行处理。特别是，就像记录后丢弃不良电极一样，可以很容易地从信号中去除。去除不良电极后，该信号就不会有在该电极上的伪影。同样地，在减去一个伪迹IC之后，剩余的信号就不受由该IC捕获的伪迹信号的影响。

这种成分减法被广泛用于从脑电图记录中去除伪影，如眨眼或肌肉活动。一些IC捕获大量重复出现在信号中的非脑源，如眼睛和肌肉运动、心脏跳动、高阻抗电极或线路噪声。然而，尽管IC激活的可视化及其减法的效果在将伪迹从神经信号中分离出来方面非常有用，但通常由用户来仔细检查ICA输出并判断哪些IC捕获了伪迹。虽然选择伪迹应该基于客观的标准，但对经典伪迹类型中的信号特征进行全面的回顾，会发现我们在文献中所缺乏的知识。为了向研究者提供一种适当的方式决定哪些ICs捕捉到伪迹哪些没有，我们将在这里定义和说明最常见的伪迹类型的特点，并解释这些特征是如何反映在各种统计测量中的。

伪迹的特征可以使用各种表示形式进行可视化。EEGLAB提供了许多方便的IC属性的可视化表示，允许训练有素的观察者准确地识别伪迹IC，但有些特征并不能从这些表示中立即看出，需要耗时的仔细检查和广泛的经验。存在许多自动化程序从ICs中计算出客观的统计测量，并使用这些指标来自动决定一个IC是否是伪迹。然而，由于脑电信号的高变动性，这些方法不可避免地容易出现第I类和第II类错误。此外，尽管有些伪迹被明确地认为是令人讨厌的(如连接不良的电极噪声)，并且必须在分析之前从信号中去除，但其他的伪迹可能更具争议，并不是每个实验人员都想要丢弃它们。因此，我们在这里推广一种中间方法，使用由几种方法计算的客观度量和增强的EEGLAB可视化表示，以允许用户决定单个ICs是否反映了伪迹，是否需要从数据中删除。

本文首先描述了最常见的脑电伪迹：眼动、肌电、高阻抗、以及异常高振幅事件。其次，我们介绍了用于EEGLAB的SASICA插件(用于伪迹校正的脑电图独立成分的半自动选择)，该插件提供了所有这些测量的方便的可视化，并允许在需要时手动细化选择(图1)。因此，我们向用户提供了所有必要的信息，以便理解从数据中删除给定成分的原因。最后，我们对总共21个实验数据集的所有方法进行了专家分类评估，并说明了适当识别和去除伪迹对信号质量的影响。

图1：图形用户界面。

（A）主图形界面窗口允许选择使用哪些方法来选择成分。当按下Compute按钮时，插件计算当前加载的EEG数据集上所有启用的方法，并在单独的窗口中显示结果。

（B）第一个窗口显示为所有成分(x轴)计算的度量值(y轴)。阈值选择显示为一个水平红线。鼠标在任意点上单击将打开一个详细的成分属性窗口。请注意，这个窗口显示了信噪比和残差方差，但没有用来选择(D)窗口中的成分。

（C）在这个窗口中，将显示所有成分的地形，以及一个彩色按钮，该按钮指示给定成分是否被拒绝(红色)或不被选择(绿色)。在选定的成分地形旁边，彩色的点表示哪些计算的测量通过了阈值。

（D）所有成分属性和测量可以在单个窗口中总结，以及经典的EEGLAB图(地形、单试次时间过程和功率谱)。(详情请参阅章节2.2.2)。

2 方法

2.1 ICA捕获的信号

几种信号很容易被单个IC分离。具体来说，ICs可以捕捉(1)神经活动的来源，(2)眨眼引起的电位变化，(3)眼球运动(扫视)，(4)肌肉收缩，或(5)在线噪声或连接错误的(高阻抗)电极，通常被称为坏通道。

重要的是，ICA也可能无法分离信号，而且许多成分不一定拟合单个类别。本质上，分离不同类型的IC是一个信号检测问题，在这个问题中，实验者需要避免两个错误：遗漏待检测的伪迹IC(第二类错误)和错误报告其他非伪迹的IC(第一类错误)。前一个错误意味着校正不足，而后一个错误意味着校正过度。另一个挑战是使用可以普遍的容易交流的客观标准(例如在出版物中)。

这里回顾的所有自动化方法都有自己的启发式方法，至少可以识别这些ICs中的一些。在下面，我们描述了每一类IC的所有特征，以及一些统计测量，旨在揭示这些特征。包括SASICA、CORRMAP (Campos Viola et al.， 2009)、ADJUST (Mognon et al.， 2011)和FASTER (Nolan et al.，2010)计算的测量值。我们在表1中总结了这些方法提供的所有测量。我们建议感兴趣的读者参阅原始论文以了解每种方法的细节。

2.1.1 神经活动

ICA在脑电图分析中的成功很大程度上是由于ICA所返回的解决方案的合理性。事实上，在大多数情况下，当在一个足够长的全秩数据集上执行时，至少少数几个成分的地形和时间过程令人信服地允许将它们识别为神经活动。这些成分通常是偶极的，也就是说，它们可以由一个或有时两个偶极源很好地模拟(Delorme等人，2012年)，它们的地形是规则和光滑的。此外，它们通常是数据集中最强的成分之一(即那些解释信号中最大的差异，并且在eeglab中排名第一)，它们通常包含一个生理频率的峰值(例如alpha, beta, delta或theta)，并可能对感官刺激表现出强烈的唤起反应。这些特性列在图2A中供参考。

图2 神经成分。三个示例神经成分及其性质，如SASICA所示。

(A)为了确定一个成分是否捕获了神经活动，需要特别注意的属性。要将成分视为独立的神经活动，这些属性都不应满足。

(B和C)两个示例神经成分，显示了(A)中列出的所有属性。(D)非偶极子地形的神经成分，其中残差方差(ResV)测量通过阈值。表1列出了所有度量的缩写。

表1 这里评估的三个自动化工具计算的度量。缩略语指的是在图表和整篇文章中使用的缩略语。

成分的偶极特性可以通过首先将偶极源拟合到成分来测量(如与EEGLAB一起发布的DIPFIT工具箱中实现的；应用于本文测试的所有数据集的所有成分)，然后在去除拟合数据后测量残差。对于精确建模的成分，残差通常很低(见图2B-D的结果)。因此，这种测量方法在EEGLAB中被常规使用，以选择神经成分，对成分时间过程进行分析。然而，应该注意的是，一些低残差方差的成分可能是伪迹。例如，眨眼或扫视的成分可以通过位于眼睛的偶极子很好地模拟出来(见图3A，偶极子拟合的5%残差，残差解释见2.2.2.5节)。一些纯强直性肌肉成分也可以通过放置在头皮附近的偶极子很好地模拟出来，在头皮附近肌肉活动出现(例如图4B, 9%的残差)。此外，偶极子不能很好地模拟同步工作的几个空间分离的神经活动源(如图3E[原文写了图2E，应该错了，图2没有E这个子图]，31%残差)。

通常情况下，在数据集中，整洁独立的神经活动的成分排在前20位。据我们所知，这一特征是迄今为止尚未测量到的经验观察结果。在本文使用的8个训练数据集中，被专家评为神经活动的50%的成分排在前13%的最大成分中。然而，伪迹也可能具有很强的振幅(例如眨眼)，因此这个特征可能无法区分一个成分是神经活动的还是伪迹的。

ICs捕捉的神经活动通常包含Alpha (8-12 Hz，图2B)、Beta (15-30 Hz，图2C)、delta (1-4 Hz)或Theta(~5 Hz) 的峰值，这对于那些地形载荷分别主要集中在Alpha、Beta和Theta频率的后部、中部或前部传感器的成分来说尤其如此。然而，这一特征本身也不能诊断神经活动，因为一些神经成分可能在这些生理频带中没有显著的峰值(如图2D)。

最后，神经ICs的另一个特征是倾向于对感觉刺激表现出强烈的诱发反应(图2B-D)。然而，这个特征也不是诊断的唯一，因为并不是所有的任务都涉及感觉刺激，并不是所有显示诱发反应的成分都能被分类为反映纯神经活动(例如，模糊成分可能捕获某些诱发活动，图4F)。在某些情况下，伪迹也可能以与事件相关的方式发生(例如，由于按钮按下而产生的工频，图5C)。尽管如此，对刺激前和刺激后活动功率比率的测量可能有助于识别神经成分。

总之，尽管信号中有足够的信息，训练有素的观察者可以使用这些信息来识别大多数ICs捕获的神经活动，但这些信息分散在信号的多个特征中，单个特征不能明确地允许识别。由于这个原因，以及ICA返回的一些IC在本质上是模糊的，因此识别伪迹IC非常重要。

图3：眼动成分。如SASICA所示的眼动成分及其特性。

(A)属性需要特别注意，以确定成分是否捕获眨眼活动。

(B和C)两个眨眼成分样本，其中用于识别眼部成分(青色条)的测量方法通过阈值，并显示(A)中列出的所有属性。

(D)为了确定一个成分是否捕捉水平的眼球运动，需要特别注意的属性。

(E和F)两个显示了水平眼部运动成分，所有的属性在(D)中列出。

(G)在非伪迹成分中可以发现的属性，可能会被误认为是眼动成分。

图4 肌电。

(A)为了确定一种成分是否捕捉肌肉活动，需要特别注意的属性。(B和C)两个肌电成分，显示了(A)中列出的所有属性。

(D)是容易把非肌电成分误认为肌电。

(E)尽管有一个焦点地形分布，但未能符合肌电，因为它没有显示预期的稳定噪声活动特征。

(F)反映了混合信号。这个成分同时捕获了噪声和非常集中的活动模式，具有低自相关和中位数梯度测量，这是肌肉活动的特征，但也有一些非常高的短暂事件和诱发活动，这导致专家认为这个成分捕获了罕见事件。

图5：坏电极成分。

为了确定成分是否捕获了坏通道的活动，需要特别注意的属性。(B和C)两个坏导成分示例，其中用于识别孤立噪声和不连续(绿色)的度量超过了阈值，并显示(A)中列出的所有属性。

(D)在模糊成分中被误认为是坏通道成分的属性。

(E)具有平滑(虽然是焦点)地形和清晰的诱发响应的示例成分，会被一些用户误认为是一个坏导成分。

(F)举例说明了坏通道和稀有事件成分类别之间的重叠。这个成分捕获了一个坏通道的活动，这个坏通道主要发生在几个试次期间，导致了模糊的分类。

图6：稀少事件。

(A)为了确定成分是否捕获了罕见事件的活动，需要特别注意的属性。

(B)罕见事件成分的例子，事件发生在一个电极上。因此，该成分也符合坏通道成分类别。

(C)罕见事件成分，事件发生在许多电极上。

图7：测量范围因记录和预处理设置而异。

每个面板显示了8个训练数据集的单个成分的一个度量，以及两个范例测试数据集。每个点代表一个成分。数据集内的可变性用覆盖的箱线图表示。在不同的实验中，不同数据集间的可变性是最显著的。请注意，我们在测试数据集中显示了subj1和subj3，以显示水平EOG (CorrH)测量的可变性，而subj2没有，因为该数据集中没有电极。面板标题中的缩写与每个测量值对应，列于表1中。

图8：错误的眨眼成分剔除。将被错误识别为眨眼的成分移除的结果如图3所示。我们以一个具有代表性的数据集(no. 4)。

(A)眨眼成分。

(B)神经成分，其地形类似于经典的眨眼的成分，在额通道具有强权重。

(C)在此数据集的电极Fpz上，在任何成分减去之前(蓝色)，减去眨眼成分(A)后(绿色)，以及减去非眨眼成分(B)后(红色)，所有试次中与事件相关的电位的时间过程。后一种操作完全消除了与眨眼无关的强烈诱发活动。

图9：完全去除眼跳和眨眼的成分。在某些情况下，伪迹可能没有自动化方法所期望的所有属性。在数据集no.7这里，受试者几乎每个次验都要进行大范围的扫视，专家观察员清楚地将几个成分识别为眼飘(IC1、2和4)，但一些自动化方法未能将其中一些识别为伪迹(原因见文本)。底部的时间过程显示了眨眼(IC3，所有方法都能正确识别)和扫视(IC1, 2和4)成分去除前后Fpz电极上的ERP。在本例中，只有专家用户识别所有四个成分。

2.1.2 眨眼成分

眨眼活动的成分是最容易识别的成分。除了一些额叶和所有EOG电极外，它们的地形基本上是平坦的(即逆权值接近于零)。眨眼期间的活动通常非常大，因为眨眼会产生极端振幅的伪迹，所以这些成分在前12个中名列前茅。时间过程显示出突变的高振幅变化，否则振幅相对接近于零，而功率谱在生理频率上没有功率峰值。与EOG电极的相关性很高。这些特性列在图3A中供参考。

图3B和图C的眨眼成分，显示了图3A中列出的所有特性。在图3B中，眼下EOG电极虽然存在于数据集中，但并未呈现在地形上(即其空间坐标未在数据集中)。另一方面，在图3C中，EOG电极是在地形图上渲染的(即在数据集中注册其空间坐标)。地形显示在两个EOG电极呈现的最前面的位置有一个突然的极性反转。眨眼成分可以通过模板匹配典型的活动模式自动识别，如CORRMAP中实现的那样。ADJUST结合了几个空间和时间特征。空间平均差(Spatial Average Difference, SAD)和空间方差差(Spatial Variance Difference, SVD)捕获了前后通道信号差异较大的分量，时间峭度(Temporal Kurtosis, TK)表明出现了罕见的高振幅事件(即重尾分布)。另一个直接的方法是将IC的时间过程与EOG电极(如在FASTER和SASICA中实现的)关联起来。单独采取这些度量可能无法检测到所有眨眼成分，但它们的有监督的组合可以使训练有素的观察者接近完美的检测(见结果)。

2.1.3 眼飘

捕捉水平扫视活动的成分最大负荷于前脑电极，但两侧极性相反。垂直扫视最大负荷在前侧部位，其地形与眨眼部位相似。在生理频率上，时间进程呈突变的步进变化，功率谱无功率峰值。与EOG电极的相关性很高。这些属性列示在图3D中供参考。

图3E和图F举例说明了显示图3D中列出的所有特征的扫视成分。与眨眼类似，眼飘成分显示的地形取决于是否包含EOG电极并呈现在地形图中。图3E为未在地形图中渲染EOG电极的情况，图3F为在眼睛下方和两侧渲染4个电极的情况。

这些成分通过模板匹配典型的活动模式(在CORRMAP中实现)自动识别。ADJUST分别检测垂直和水平的眼球运动。对于垂直眼球运动，它结合了最大分段方差(MEV)测量，该测量捕获了具有强烈分段变异的分量，与眨眼分量的SAD测量相同。对于水平眼运动，它使用MEV和空间眼差(SED)测量来捕捉脑电帽两个横向区域之间的强烈差异。FASTER和SASICA使用成分时间与EOG电极(EOGCorr, CorrV和CorrH)的相关性来检测眼球运动和眨眼成分。

2.1.4 肌电

来自脖子、下巴和面部肌肉对的强直性肌肉活动会在电极帽边缘引起典型的肌电活动。尽管受试者通常要求静坐和放松，不可控的姿势活动，以及由于打哈欠或吞咽引起的肌肉活动可能会发生并被脑电图捕捉到。成分捕获到的肌肉活动通常非常集中。时间过程显示出稳定的噪音活动，通常很明显，因为它们不随任务事件而变化(即没有ERP可见)，而是在整个试验中。当受试者找到一个舒适的姿势(图4B)时，肌肉确实会放松，肌电会短暂出现(图4C)。这些成分的功率谱通常在高频率(> ~ 20hz)下表现出很强的功率。这些特性列在图4A中供参考。

肌电成分可以自动检测，因为它们的时间进程显示噪音模式，其地形集中在电极帽边缘周围的电极。这可以通过测量时间点之间的高变异性来检测，并由SASICA的低自相关(LoAC)测量捕获，或者通过高Median Gradient (MedGrad)值，或者通过FASTER计算的低赫斯特指数(HE)来检测。ADJUST和CORRMAP并不专门检测肌电成分。

2.1.5 坏电极

当一个坏的通道显示强振幅，与其他通道不相关，它很容易被ICA隔离在一个单一分量。这种坏通道分量有一个焦点地形，受限于坏通道，它们的时间过程反映了记录的噪声性质。它们也可能显示出与标记的不良通道的高度相关性。这些特性列在图5A中供参考。

图5B和C说明了两个示例成分，显示了图5A中列出的所有特性。此外，正如前面提到的，图5C中所示的成分显示了与响应按钮按下产生的伪迹相对应的强事件相关响应。

由于其在SASICA中的焦点样的通道地形(FocCh)，或由于其在FASTER中的高空间峭度(SK)，或由于其在ADJUST中的一般不连续的空间特征(GDSF)和MEV，坏通道可以自动检测。此外，根据定义，捕获孤立的坏通道的成分与该通道上记录的数据高度相关，这允许在SASICA中识别这些ICs (CorrC，图5B)。

2.1.6 稀有事件

在某些情况下，一些高振幅事件也可能与ICA分离。如果所讨论的事件只发生在一个电极上，则相关的IC地形是焦点，因此所讨论的IC也符合上述不良通道类别(图6B)。如果它们发生在许多电极上(图6C)，例如，如果受试者移动或接触电极帽，其地形就很难预测。这些特性列在图6A中以供参考。请注意，如果一个成分捕获了一个唯一的事件，那么从数据中删除相应伪迹的明智策略可能是删除受影响的试次并重新计算ICA。

2.1.7 模棱两可的成分

最后，重要的是要记住，并不是所有的IC都可以清晰和明确地划分为神经或伪迹的。相反，有些成分反映了一种模糊的混合信号，应该谨慎处理。我们不建议系统地拒绝这些成分，因为他们的部分信号可能是神经来源。图3的最后一幅图中展示了需要特别注意的混合成分的例子。我们将在第3节中进一步评论这些成分。

2.2 SASICA

2.2.1 图形用户界面

界面在图1种有所显示。计算后，每个测量或方法都有一个独特的颜色，用于标记在其他图形(图1B和C)中被识别为伪迹的ICs。通过单击这些图形中的任何成分，可以调用成分属性的全界面显示(图1D和图2-6)。

2.2.2 由成分计算的度量

2.2.2.1 自相关

反映大脑活动的成分通常是强自相关的。这意味着一个分量在任何时间点的信号水平通常与这个分量在几毫秒前的信号相关。相反，像肌电这样的噪声成分往往表现出较低的自相关。这种测量方法在某一时间延迟（ms）下计算每个分量的自相关，并建议拒绝如果自相关值低于指定的阈值。有趣的是，最近开发的一种替代ICA的伪影校正方法中也使用了相同的测量方法，该方法使用典型相关分析来检测肌电成分并校正肌肉伪影。

默认延迟设置为20 ms，与训练数据集中的专家分类匹配最好。这个度量的目的与Hurst Exponent (HE)度量的FASTER类似。

2.2.2.2 焦点拓扑

反映大脑活动的成分很少只影响一个电极。因此，大多数加载在一个电极上的成分很可能会反映伪影(坏通道或罕见事件)，而不是大脑活动。我们通过计算通道间ICA逆权值的z分数来测量地形的焦点性。通道的最大绝对权重高于阈值的成分被认为是焦点。

2.2.2.3 焦点试次活动

伪影可能会以非常大的振幅出现，但这种情况很少见。因此，与上述焦点地形测量相同的策略可以用于检测罕见事件，但不需要计算通道间ICA逆权值的z分数。

2.2.2.4 与通道的相关

被伪影严重污染的通道通常可以通过设计(EOG、肌电图或心电图通道)或在数据记录和预处理过程中(由于连接错误或线路噪声而产生强烈电伪影的通道)及早识别。通常，这些成分是在ICA解决方案的单个成分中捕获的，并且该成分与相关的通道高度相关。我们测量特定通道(EOG或任何其他通道)与所有成分的相关性，并设置拒绝阈值。利用相关性作为一种方法来检测被EOG活动污染的成分。

SASICA可以采用三种通道来计算与ICs的相关性。它有水平和垂直两个EOG，以及其他不良通道的一个场。

2.3其他软件

FASTER，ADJUST，MARA，CORRMAP。

2.5 有效性验证

我们验证了我们的方法，首先评估了实验人员熟悉的五类成分(眨眼、眼跳、肌电、孤立不良通道或罕见事件)的分类的可靠性。为了做到这一点，我们比较了由实验者提供的评分，以及由ICA专家实验者获得的一致同意的评分。其次，我们在SASICA中实现了所有方法，并在一组训练数据集中对相同的共识专家分类进行了评估。最后，我们使用一个由13个数据集组成的不同测试集来验证SASICA算法(使用根据训练数据集确定的默认设置)，这些新数据没有用于开发工具箱。这种方法允许我们开发一种对许多不同预处理设置都很鲁棒的选择方法，并测试来自单一研究的更同质化数据集的性能。

2.4.1 数据集

技术规格、实验设置、受试者统计资料如表2所示。对于所有的数据集，都使用了一个标准的预处理程序:(1)对原始信号进行目视检查，以排除数据的不良部分，(2)如表2所示的重参考、下采样和滤波，(3)分段，(4)基线矫正，(5)使用扩展的infomax算法(来自EEGLAB)进行ICA。

表2 所有数据集的技术规格和被试人口统计资料

2.4.2 任务和测量

5名熟悉ICA(以下简称用户)的实验人员使用手动EEGLAB工具(Tools > Select components by map)检查8个训练数据集中的每个数据集的所有ICs。该工具以一个大图(类似于图1C)显示所有成分的地形图，并请用户检查每个成分，以决定是否应该拒绝它。单击每个成分上方的按钮，就会弹出一个窗口，显示成分属性(地形、单试次时间进程和功率谱)。三个专家用户(包括作者MC和NB)使用相同的EEGLAB工具检查了8个测试数据集。在专家们对所有训练数据集进行独立评分后，他们坐在一起修改评分，直到达成共识。未能达成协商一致意见的部分被列为其他部分。这些分类被用来作为评估五个实验者反应的参考，并作为下面描述的命中率和误报率的测量依据。这些专家在ICA有广泛的实践，并严格遵守第2.1节所述的分类标准。

最后，两位专家(包括作者MC)检查了13个测试数据集的920个成分，并同意使用相同的程序进行分类。这里使用这些分类来进一步评估使用更大数据集的所有自动化方法。

2.4.3 一致性测量

我们分别测量了五个实验者之间的分类协议和三个专家对每个成分类别和分类方法的训练数据集的共识评级。

3 结果

在接下来，我们检查实验者拒绝的一致性，然后每一个自动方法与专家对训练数据集的一致性伪迹分类进行比较。我们还报告了自动化方法与测试数据集上的专家分类的比较。结果总结如表3。

表3 所有用户和自动化方法与专家共识分类相比的性能表现总结。

总的来说，眨眼和眼跳的IC分类是最一致的，其次是肌肉IC分类，准确率稍低。坏的通道和罕见事件IC分类在自动化方法中不太可靠，但我们注意到，人类观察者也倾向于对这些类型的伪迹IC有着不一致的评价。所有方法正确和错误拒绝的总体方差量如表3所示，揭示了一个不可忽略的方差部分被所有自动化方法错误分类。

3.1 评审时间，专家和用户的可靠性

4名用户和3名专家共在1小时30分到4小时48分之间对所有8个训练数据集进行了审查。两位专家审查了13个测试数据集，总共花了30个小时。

Alpha系数显示了专家之间(在达成共识之前，对初始分类的置信区间[0.42-0.51])和普通用户之间(置信区间[0.43-0.50])的相似程度。

3.2 神经成分

被专家分类为神经的成分很少被用户选择拒绝(注意，用户没有提供将成分分类为神经来源的可能性，但在所有被专家分类为神经的成分中，只有少数用户从伪迹类别中选择了一些)。用户错误地分类了一些与眨眼高度相似的神经成分(见第3.3节)，一些用户还将一些特殊的局部神经成分分类为孤立通道(图5E)。

3.3 眨眼

用户非常一致地拒绝了眨眼成分。自动化方法识别了大多数眨眼成分(表3)，但遗漏了一些，并将一些神经成分错当成了眨眼。图3G中列出了可能导致眼部成分非伪迹成分的错误识别的特性，以供参考。

3.4 眼跳

在训练数据集中，用户正确识别眼跳成分的概率为80%。由于在一些实验中，这些数据集被提取出来，被试被要求保持注视，有时在每个数据集中很少(如果有的话)有这样的成分。图3G中列出了可能导致非伪迹成分被错误识别为眼部成分的特性，以供参考。

3.5 肌电

在训练数据集中，专家将79%的成分归类为肌电。图4B和图C是用户和专家识别出的两种典型肌肉成分。图4E和图F显示了一些用户错误地归类为纯肌肉成分。用户经常会将帽子外围带有孤立通道的部件误认为是肌肉成分，即使这些部件没有显示出肌肉活动特有的稳定噪声活动模式。图4D列出了一些可能导致将非伪迹成分错误识别为眼部成分的特性，以供参考。

3.6 坏导

只有68%的用户将专家识别出的成分归类为来自坏导。图5 B和C说明了捕获坏通道的成分，这些坏通道被用户检测到。图5E显示了一些用户误以为是坏导的成分，尽管它显示了一个清晰的诱发反应，它的地形实际上分布在多个通道上。图5F显示了罕见事件与坏通道的重叠，因为于该不良通道的活跃时间很短，专家们将其归类为只存在几个试次中。

3.7 罕见事件

用户识别的成分捕获活动的几个试次的准确性最低，只有34%的成分被专家分为这个类别。同样，这一类别与上面描述的坏导类别之间的相互影响是显而易见的，因为用户也将一些专家从一些试次中归类为捕捉活动的成分归类为坏导。

3.8 其他

当一个成分不仅仅捕获了一种类型的成分，而是一种混合时，专家就会使用Other类别。重要的是要注意，这些一般不应被拒绝。它们反映了混合的信号，其中一些无疑是神经来源的，因为许多这些模糊的成分显示了各种形式的事件相关的反应。

4 总结

在本文中，我们回顾了由独立分量分析(ICA)分离出的五种典型脑电信号伪影，以及目前自动检测这些伪影的几种方法。总的来说，所有的方法(手动的，或自动的)都不是完全一致的，这表明使用ICA选择伪迹的精度存在固有的限制。使用全自动的方法，到目前为止还没有办法保证没有神经活动会被拒绝。所有对erp有很大影响的自动化方法都出现了重要的错误分类(图8和图9)。因此，我们在此强调，在尝试用ICA进行伪影校正之前，首先要准确定义伪影校正的目标(眨眼、肌肉、不良通道去除)。其次，我们建议使用SASICA和适当的措施来选择潜在的人工组件。在快速和方便地概述诊断措施的帮助下，SASICA允许用户根据客观标准做出知情和有效的决定。我们认为，采用这种不使用统计方法来做决定，而是指导实验者做决定的方法是很重要的。

在分析数据时，某些伪迹背后的生理过程具有功能性意义，必须加以考虑。例如，在扫视执行过程中产生的眼部伪影与实验人员可能不想从他们的数据中删除的一系列脑电位有关。因此，我们建议了解和报告特定实验范式所施加的约束，并对用于自动选择拒绝伪迹的自动算法有良好的理解和监督。例如，高频伽马带振荡(> 40hz)的频率与肌电的频率重叠。因此，捕捉肌肉活动的成分也可以捕捉至少一些神经活动。因此，用于分析高频伽马振荡的实验人员可能会倾向于避免去除任何高频功率的成分。

到目前为止，ICA并不是惟一可用来去伪迹的方法。许多其他的方法允许潜在地保留神经信号，同时丢弃伪影。这些方法包括低通滤波、回归分析、主成分分析等。因此，我们把这次的重点放在ICA上，因为它的广泛使用，而且正如我们所表明的那样，它并非没有缺陷。因此，重要的是要告诉实验人员如何正确地分类伪迹。