脑电信号重建新突破：基于DBSCAN和GEV的ASR算法优化及其在复杂运动任务中的应用

推荐：本研究针对传统Artifact Subspace Reconstruction (ASRoriginal )算法在复杂运动任务（如三球杂耍）中因高频运动伪迹导致的校准数据质量低下问题，提出基于DBSCAN（密度聚类）和GEV（广义极值分布）的改进方法ASRDBSCAN 和ASRGEV 。通过模拟与真实脑电数据验证，新方法将可用校准数据比例提升至42%和24%（原方法仅9%），且独立成分分析(ICA)显示脑源成分方差贡献提升30%。该研究为移动脑体成像(MoBI)领域的高强度运动脑电研究提供了关键技术支撑。

　　

在探索人类大脑如何支持复杂自然行为的科学前沿中，脑电图(EEG)因其毫秒级的时间分辨率和便携性成为重要工具。然而，当受试者进行剧烈运动时，肌肉和电极运动产生的伪迹幅度远超大脑活动信号，这一难题长期制约着真实场景下EEG的应用。传统解决方案要求受试者保持静止，但这种方法显然无法满足研究自由活动状态下认知过程的需求。尤其在三球杂耍等高频肢体运动中，周期性动作产生的伪迹间隔短至500-800毫秒，导致常规Artifact Subspace Reconstruction (ASR)算法因窗口平均效应无法有效识别伪迹，校准数据中混入噪声而失效。

针对这一挑战，由美国加州大学圣地亚哥分校等机构的研究团队在《Journal of Neuroscience Methods》发表重要成果。研究人员通过重新审视ASR算法的底层机制，发现其根本问题在于窗口化采样会使短暂高频伪迹的均方根值(RMS)被低估，导致伪迹渗入参考数据。为此，团队创新性地提出两种解决方案：非参数方法的密度聚类(DBSCAN)可从五维特征空间识别清洁数据点；参数化方法的广义极值分布(GEV)则通过极值统计建模筛选低振幅数据。

关键技术方法包括：1）使用205通道EEG系统采集13名杂耍受试者数据；2）构建含眨眼伪迹(Blink Artifact)和两类运动伪迹的模拟数据集；3）分别应用ASR_original
、ASR_DBSCAN
和ASR_GEV
处理数据；4）通过clean_rawdata()评估数据保留率；5）采用自适应混合ICA(AMICA)分解成分并用ICLabel分类。

模拟数据验证
在0.1-0.3秒间隔的高频运动伪迹测试中，ASR_original
完全失效，而新方法能彻底清除所有伪迹。功率谱分析显示，改进方法在保留10Hz alpha峰的同时，有效抑制了高频噪声。

实证数据表现
ASR_DBSCAN
和ASR_GEV
分别获得42%和24%的清洁校准数据，显著优于ASR_original
的9%。关键通道112的功率谱显示，新方法使高频段(>10Hz)的1/f偏离参数从4.5降至0.32，证实其去噪效果。

算法机制解析
量化分析揭示传统ASR需设置超高标准差阈值(k=10-30)的根本原因：允许7.5%通道含离群值的策略导致参考数据严重右偏，而截断高斯模型仅拟合左侧数据，迫使阈值大幅提高。改进方法通过零容忍策略使分布更接近正态，k值范围回归常规统计意义。

独立成分质量
当k=5时，ASR_DBSCAN
产生的脑成分方差贡献达30%，较传统方法(26%)显著提升。肌肉成分在k=3-5时被更有效抑制，但眼动成分处理效果相当，反映不同伪迹类型的敏感性差异。

这项研究通过算法层面的创新突破，解决了ASR在MoBI研究中的关键瓶颈。其重要意义体现在三个方面：首先，为研究篮球运球、乒乓球对打等短周期运动的大脑机制提供可靠分析工具；其次，通过揭示参考数据分布偏态与阈值设置的数学关系，纠正了领域内对"超高k值"的经验性认知；最后，提出的GEV方法计算效率较传统方法提升30倍，为实时处理奠定基础。研究者特别指出，未来可结合多模型ICA进一步解决跨状态(如静息-任务)的参考数据适应性问题，这将推动EEG预处理技术向智能化方向迈进。