基于无校准深度学习模型的EEG信号眼动伪迹去除：跨导联布局的通用解决方案

本研究针对脑电图(EEG)中普遍存在的眼动伪迹(OA)问题，提出了一种无需校准、独立于导联布局的深度学习模型EEGOAR-Net。基于U-Net架构，结合创新的通道掩码训练方法，该模型在保留神经信息完整性的同时，将EEG-EOG相关性降至随机水平，性能媲美传统SGEYESUB算法，且无需特定校准或EOG通道，为脑机接口(BCI)等实时应用提供了可靠解决方案。

　　

在探索大脑奥秘的征途中，脑电图(EEG)凭借其毫秒级的时间分辨率，成为神经科学研究和脑机接口(BCI)开发的核心工具。然而，这项技术却长期被一个"顽疾"困扰——眼动伪迹(Ocular Artifacts, OA)。当受试者不经意间眨眼或转动眼球时，产生的电信号强度可达50-200μV，足以完全掩盖仅10-100μV的神经电活动。更棘手的是，传统解决方案如独立成分分析(ICA)需要人工干预，回归法则依赖繁琐的眼电图(EOG)校准，而新兴的深度学习模型又往往被"锁死"在特定电极布局中。这些瓶颈严重制约了EEG在实时系统中的应用，就像给高速运转的大脑戴上了沉重的枷锁。

为打破这些桎梏，来自中国的科研团队在《Biomedical Signal Processing and Control》发表了一项突破性研究。他们开发的EEGOAR-Net模型，巧妙融合了U-Net架构与创新性的通道掩码训练策略，首次实现了"即插即用"的跨导联OA去除。这项研究不仅解决了校准依赖的难题，更开创性地让深度学习模型摆脱了电极布局的束缚，为EEG技术的自由应用打开了新天地。

研究团队采用了几项关键技术：基于SGEYESUB算法处理Kobler数据集生成训练样本；设计包含Inception模块和深度卷积的U-Net变体；首创通道随机掩码训练法实现导联独立性；通过五折交叉验证评估模型性能；最后在Ehrlich数据集进行外部验证。这些方法共同构建起一个兼顾性能与泛化能力的智能去噪系统。

研究结果

跨数据集验证
在包含45名受试者的Kobler数据集测试中，EEGOAR-Net展现出惊人的适应性。无论是64导联全脑覆盖，还是精简至8导联的视觉诱发电位(VEP)布局，模型都能将眨眼和水平眼动的EEG-EOG相关性|r
|降至随机水平(约0.3)。特别值得注意的是，在保留神经信息方面，模型仅在前额叶引起<2μV的均方根误差(RMSE)，远低于1D-ResCNN(7.5μV)和IC-U-Net(4.5μV)。

频谱保真度分析
功率谱密度(PSD)分析揭示，EEGOAR-Net主要影响δ频段(1-4Hz)——这正是OA的主要频段。相较之下，竞争模型在更广泛的频带(θ、α、β₁
/β₂
)造成显著失真。这种精准的频域"手术刀"特性，使其特别适合依赖特定节律(如μ节律)的运动想象BCI应用。

真实场景测试
在Ehrlich数据集这一"陌生考场"中，EEGOAR-Net交出了亮眼答卷：眨眼伪迹被完全消除(|r
|<0.1)，垂直眼动伪迹衰减60%，且神经信号失真度仅为竞争模型的1/3。这种"即插即用"的稳定性，使其成为首个真正具备临床实用价值的自动化OA去除工具。

创新训练方法论
研究最具革命性的突破在于通道掩码训练策略。通过随机屏蔽不同电极组合(8-64导联)，模型被迫学习普适的空间特征提取能力。结果证明，这种"盲fold"训练不仅没降低性能，反而在某些导联布局(如56导联)下展现出更强的垂直眼动抑制能力，印证了"少即是多"的设计哲学。

结论与展望
这项研究标志着EEG预处理技术的范式转变。EEGOAR-Net通过三大创新——无校准操作、导联布局解耦、实时处理能力，解决了困扰领域数十年的"不可能三角"难题。其开源实现(https://github.com/dmarcos97/EEGOAR-Net)已引发学界广泛关注，特别是在需要精简导联的移动BCI和居家神经监测场景。

未来研究可沿三个方向拓展：扩充训练数据集以提升眼动伪迹亚型识别能力；探索模型对功能连接等复杂特征的影响；开发适配新型干电极的轻量化版本。正如研究者所言："当技术障碍被破除，我们终将听见更纯净的脑电交响乐。"这项突破不仅为脑科学工具链注入新活力，更预示着人机交互即将迎来更自然流畅的新纪元。