吴明权 李海峰 马 琳

1 引言

近年来，非侵入式脑机接口(Brain-Computer Interface, BCI)技术深入发展，为人与机器、人与人提供了新的交流方式。目前已经可以利用脑电信号(ElectroEncephaloGram, EEG)来实现 3维空间的直升飞机飞行控制[1]。在美国军方“Silent Talk”项目中，通过检测分析特殊词的神经信号实现了用户之间的脑-脑直接通信[2]。干电极脑电采集技术的日益成熟，加快了便携式BCI产品的商品化，使其深入到人们学习、娱乐、生活的方方面面。然而，便携式BCI产品通常是少通道甚至是单通道的，所获取的 EEG信号极易受到肌电、心电尤其是眼电(ElectroOculo Gram, EOG)的干扰，导致真实脑电特征难以提取。对各种伪迹特别是眼电的剔除方法研究，始终是脑电信号处理领域的难点问题。

目前主要的眼电伪迹干扰去除技术有两类：伪迹排除和伪迹校正。前者是将包含眼电干扰的脑电时段简单地排除；后者则采用各种方法来估计眼电信号，并在原始EEG中减去估计的伪迹成分，以获得纯净的EEG。当前伪迹校正的主流方法有平均伪迹回归分析方法[3]和基于独立成分分析(Independent Component Analysis, ICA)的方法[4,5]。平均伪迹回归分析方法假设眼电电极和各头皮电极之间的传导系数不变，利用眼电通道与其他多个通道的相关性来估计传导系数，并从各个通道中按传导系数减去眼电信号而获得正常的 EEG信号。ICA则恰恰相反，它假设多个信号源相互独立，并通过机器学习的方法来最大化源信号间的独立性，分离出眼电成分并予以剔除，再利用其余的成分重构EEG信号。平均伪迹回归分析方法需要独立的眼电通道，而ICA方法则要求不同通道在空间具有一定的分布，且通道数要大于信号源的数目。……