(Meng Wang, Xiaonan Cui, Tianlei Wang, Tiejia Jiang, Feng Gao, and Jiuwen Cao*, Eye Blink Artifact Detection based on Multi-dimensional EEG Feature Fusion and Optimization, Biomedical Signal Processing and Control, 2023, published online)
眨眼伪迹与患者癫痫发作时的病理波十分相似，因此在癫痫背景下进行眨眼伪迹检测是非常具有挑战性的。同时，脑电图具有个体差异性，当不同个体之间存在较大的信号差异时，大多数现有方法往往无能为力。由此，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 based on Multi-dimensional EEG Feature Fusion and Optimization”被Biomedical Signal Processing and Control收录。该研究有效解决了EEG空间分辨率较低以及不同个体的特征冗余问题，提出了一种结合空间滤波和频域信息的有监督眨眼伪迹检测算法。
脑电图（EEG）包含与人的心理和健康状态相关的大脑神经元活动的丰富信息，是神经系统疾病诊断与监测的重要工具之一。由于脑电信号只有微伏级，且具有高时间分辨率、高随机性的特点，因此在头皮脑电图中普遍面临的问题之一是极易受到来自外界的伪迹干扰，尤以眨眼伪迹为主，这些伪迹成分常常与癫痫样放电混淆，对癫痫疾病的诊断造成负面影响。对于低空间分辨率的EEG信号，当前的方法通常缺乏空间滤波，导致性能下降。本文提出了一种新的基于多EEG特征融合和PSO优化的眨眼伪迹检测算法：1）基于经验模式分解EMD分解前额FP1和FP2通道的EEG，采用自相关系数法对分解IMFs进行分量筛选。2）通过公共空间模式（CSP）进行空间域滤波并提取EEG方差特征，以增强特征识别。3）融合传统特征，并将粒子群优化（PSO）与支持向量机（SVM）相结合用于特征优化。论文提出的检测算法在浙江大学医学院附属儿童医院20例受试者的临床数据上得到了验证。
论文第一作者为2020级硕士研究生王猛，通讯作者为指导教师曹九稳教授，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。
算法核心框架图：
CSP提取特征流程图：
特征优化组合：
