基于核密度估计的事件相关电位提取新方法：提升脑电信号分析精度与抗干扰能力

本文提出了一种基于核密度估计（KDE）的事件相关电位（ERP）创新提取框架，通过概率密度建模替代传统阈值剔除-时域平均法（TRA），解决了小样本条件下异常值敏感性和信息丢失问题。该方法结合电极协方差矩阵动态生成自适应核函数，显著提升了多通道噪声结构的匹配精度，为脑机接口（BCI）和情感计算研究提供了更鲁棒的分析工具。

　　

Highlight

本研究基于混沌理论提出创新的核密度估计（KDE）驱动ERP提取流程，突破传统阈值剔除-时域平均法的局限。该方法通过高斯核密度估计对采样点级试次数据进行概率建模，在保留全部试次的同时有效抑制异常值干扰。拟合的概率密度函数作为ERP提取目标，结合脑电（EEG）时序依赖性主动重构最优波形，特别针对多通道噪声分布不均问题，引入电极协方差矩阵生成的自适应导向核，显著提升通道间噪声结构的匹配精度。

Datasets

数据集1）来自天水市第三人民医院的110名参与者（70名重度抑郁症患者_MDD和40名健康对照_HC），经专业精神病学诊断筛选。数据分析时剔除50%以上试次存在伪迹的参与者，确保数据可靠性。

Conclusion

我们建立的KDE-ERP提取框架通过相位空间重构和动态核形变技术，实现了：1）无需试次剔除的全数据利用；2）基于EEG混沌特性的主动波形重建；3）跨通道噪声的自适应匹配。在模拟和真实数据集验证中，该方法在基线均方根误差、成分级统计指标和残差相关性方面均显著优于传统方法，为神经科学研究提供了更精准的工具。