评估伪迹校正与剔除对基于SVM和LDA的EEG信号解码性能的影响：多范式系统研究

本研究系统评估了独立成分分析(ICA)伪迹校正与电压阈值剔除对支持向量机(SVM)和线性判别分析(LDA)解码EEG信号的影响。通过7种经典事件相关电位(ERP)范式及多类刺激解码任务，发现伪迹处理组合在多数情况下未显著提升解码性能，但校正步骤对消除伪迹相关混杂至关重要。该成果为脑电模式分类研究提供了重要方法学参考。

　　

在认知神经科学研究中，脑电图(EEG)信号解码技术正成为揭示大脑信息处理机制的重要工具。然而，眼动、肌电等伪迹会显著降低信号质量，传统单变量分析通常采用独立成分分析(ICA)校正和电压阈值剔除来应对这一问题。但对于新兴的多变量模式分析(MVPA)方法，特别是支持向量机(SVM)和线性判别分析(LDA)等机器学习算法，伪迹处理是否会提升解码性能仍存在争议。一方面，伪迹会增加试次间变异性，可能降低解码准确率；另一方面，严格的试次剔除会减少训练数据量，而ICA可能误删神经信号成分。这种矛盾在复杂解码任务（如16类刺激方向判别）和不同人群（如社区样本）中表现尤为突出。

为解决这一方法学难题，美国加州大学戴维斯分校的研究团队在《NeuroImage》发表了一项系统性研究。研究人员整合了7种经典ERP范式（N170、MMN、P3b等）和3种工作记忆任务，涵盖32/64导联系统、大学生/社区人群样本。通过比较基线处理、ICA校正、ICA结合绝对/统计阈值剔除四种方案，发现伪迹处理组合仅在MMN和LRP任务中轻微提升解码准确度（p<0.05），但对多数范式无显著影响。值得注意的是，在错误相关负波(ERN)任务中，伪迹处理反而降低了解码性能，这可能反映了眨眼伪迹的条件间差异被有效消除。研究证实，过度严格的剔除阈值（如<100μV）会因训练数据不足损害解码效果，而ICA校正对消除系统性伪迹混杂具有不可替代的作用。

关键技术方法包括：1)采用EEGLAB工具箱进行ICA分解，使用ICLabel算法半自动识别眨眼成分；2)设计3折交叉验证的SVM/LDA解码流程，通过fitcsvm和fitcecoc函数实现二分类/多分类；3)设置多级绝对阈值(50-500μV)和统计阈值(2-6SD)的试次剔除方案；4)利用公开数据集ERP CORE和自采工作记忆数据，包含大学生(n=40)和社区成人(n=27)样本。

研究结果部分显示：
3.1 简单二分类解码
在N170、P3b等任务中，ICA校正与基线处理效果相当(p>0.05)。MMN任务在ICA+100μV阈值时解码准确率提升3.2%(p=0.04)，而ERN任务因伪迹校正降低2.1%(p=0.03)，反映眨眼伪迹的条件特异性。

3.2 复杂多类解码
16类刺激方向解码中，各处理方案准确率差异<0.5%(p>0.05)。社区样本噪声水平虽达大学生1.8倍，但伪迹处理仍未显现优势。

3.4 噪声试次验证
随机剔除对照实验证实，基于阈值的剔除确实移除了低信噪比试次，但收益被数据量减少抵消。

3.5 算法比较
LDA(γ=0.1)在多数任务中略优于SVM，但伪迹处理效果模式高度一致。

该研究确立了EEG解码研究的方法学规范：推荐常规实施ICA校正以消除系统性伪迹，但避免过度严格试次剔除（阈值>100μV或3SD）。这一结论覆盖了从简单二分类到16类刺激解码、从实验室环境到社区样本的广泛场景，为未来研究提供了重要基准。值得注意的是，该结论可能不适用于高频振荡分析或特殊人群（如精神疾病患者），这为后续研究指明了方向。研究团队公开了所有数据和脚本，将推动EEG解码研究的可重复性发展。