（Jianhui Wang, Jiuwen Cao*, Dinghan Hu, Tiejia Jiang and Feng Gao, Eye Blink Artifact Detection with Novel Optimized Multi-dimensional Electroencephalogram Features, IEEE Transactions on Neural Systems & Rehabilitation Engineering, 2021, published online）
脑电伪迹检测是脑神经系统疾病辅助诊断的前提和基础。与浙江大学医学院附属儿童医院合作，我院人机混合智能与智慧健康研究中心在癫痫患者脑电眨眼伪迹智能检测方向的研究论文“Eye Blink Artifact Detection with Novel Optimized Multi-dimensional Electroencephalogram Features”被IEEE神经系统与康复工程顶级期刊IEEE Transactions on Neural Systems & Rehabilitation Engineering录用。该研究有效解决了癫痫患者痫样放电与眨眼伪迹检测问题，提出了基于多维多通道特征优化的眨眼伪迹表征算法。
脑电是脑神经细胞的电生理活动在大脑皮层获头皮表面的总体反应，包含了丰富的脑活动信息，被广泛的应用于脑机接口、心理学、脑中枢神经系统疾病辅助诊断（如脑卒中、癫痫、脑炎、代谢性脑病变）等领域。生理性伪迹（如眨眼、肌电等）由于其在采集过程中的不可避免性通常对脑电分析产生较大干扰。有效的脑电伪迹检测算法是脑电分析与信号处理中至关重要的环节。在癫痫辅助检测与分析研究中，眨眼引起的脑电伪迹，由于其波形与癫痫患者背景下的痫样放电信号十分相识，往往对痫样放电信号检测产生干扰。同时，当前检测方法大多缺乏针对个体差异化的处理而导致模型在真实数据上性能下降严重。针对这些，论文提出了以下的解决方案：1) 采用针对额极痫样放电波形特别提取的多维特征，构建了基于无监督聚类算法的额极痫样放电信号筛选模型。所提出的痫样放电波形多维特征能有效刻画痫样放电的生理信号统计特征以及SNEO信号对痫样放电波形的敏感反应；2）基于多通道脑电图，提出了包含脑电时域、频域以及多通道相关性的统计特征表征算法，构建了一种基于方差差异性过滤的特征选择算法，解决了脑电个体差异性问题，提高了检测精度。论文的检测算法在浙江大学医学院附属儿童医院11例癫痫病患儿的临床数据上得到了验证
论文第一作者为研究生王建辉，指导教师曹九稳教授为论文通讯作者，研究获得了国家自然科学基金重点、科技部重点研发和浙江省重点研发等项目的资助。
核心算法框图：
高度相识的额极痫样放电与眨眼伪迹：
额极痫样放电与眨眼伪迹的描述特征与特征统计分析：
无监督聚类检测分析：
多维脑电统计描述与特征差异性分析：
