《Frontiers in Neuroscience》：ICA-S3M: switching state-space model guided automatic EEG artifact removal from independent components
编辑推荐：
背景：肌电（EMG）伪迹是头皮脑电图（EEG）中最具挑战性的污染物之一：其宽带频谱与神经活动直接重叠，且持续性肌肉收缩分布到多个独立分量（IC）而非干净地分离——研究人员将这一效应称为EMG涂抹。方法：研究人员提出ICA-S3M，一种两阶段流程，首先通过独立分
背景：肌电（EMG）伪迹是头皮脑电图（EEG）中最具挑战性的污染物之一：其宽带频谱与神经活动直接重叠，且持续性肌肉收缩分布到多个独立分量（IC）而非干净地分离——研究人员将这一效应称为EMG涂抹。方法：研究人员提出ICA-S3M，一种两阶段流程，首先通过独立分量分析（ICA）分解记录，然后对每个保留的IC应用切换状态空间模型。该模型将从记录自身频谱内容拟合的阻尼振荡器建模的神经振荡，与自回归（AR(2)）过程建模的宽带伪迹分离。该方法在每个时间点产生显式伪迹概率，且无需训练数据。研究人员在三个场景中评估了ICA-S3M与来自EEGdenoiseNet的卷积神经网络（CNN）：具有已知真实值的模拟EEG；由29名参与者通过11,025次专家IC-试验分类构建的半合成真实EEG数据集，其中训练有素的评分员在交错休息和面部运动段中逐试验对每个IC进行分类；以及一段音乐即兴演奏的自然记录。结果：在模拟中，ICA-S3M将相对均方根误差（RRMSE）从0.83降低至0.23，信噪比（SNR）提升12.4 dB，而CNN仅提升1.2 dB。在半合成数据集上，ICA-S3M在涵盖七个指标、两个时间段和三个头皮区域的42个测试场景中的38个中显著优于CNN，同时基本不改变干净段。关键的是，CNN表现出“α幻觉”失败模式，在真实值中没有α峰的位置注入虚假的α波段峰；研究人员通过无α控制模拟重现了这一现象，并在真实头皮记录中再次观察到。讨论：ICA-S3M通过适应每个记录自身的振荡结构而非强加学习到的频谱模板，避免了这一失败。该方法为具有挑战性的EEG记录中的EMG伪迹去除提供了一种有原则、可解释且无需训练的替代方案。
**论文解读：ICA-S3M——基于切换状态空间模型的脑电图肌电伪迹自动去除方法**
**研究背景、问题与意义**
脑电图（EEG）以毫秒级时间分辨率无创测量神经动态，但记录信号常受非神经伪迹污染，其中肌电（EMG）伪迹最具挑战性。EMG伪迹频谱宽（10 Hz至200 Hz以上），与神经活动频段（0.5–35 Hz）高度重叠，且持续性肌肉收缩使EMG活动分布到多个独立分量（IC）中，形成所谓“EMG涂抹”效应，导致传统独立分量分析（ICA）无法干净分离。现有方法如ICA结合ICLabel分类、正则相关分析、深度学习等，或依赖训练数据、或缺乏可解释性、或易产生虚假振荡（如“α幻觉”）。为克服上述局限，研究人员提出ICA-S3M，一种结合ICA空间分解与切换状态空间模型（SSSM）的两阶段流程，旨在无需训练数据条件下，在单IC内分离神经振荡与宽带伪迹，保留神经信号完整性。该论文发表在《Frontiers in Neuroscience》上。
**主要关键技术方法**
研究采用两阶段流程：阶段1使用扩展Infomax ICA对整段EEG记录进行分解，保留解释总方差≥99.9%的IC；阶段2对每个保留IC在10秒非重叠窗口内运用SSSM，其中神经振荡通过阻尼振荡器（dOsc）模型拟合，EMG伪迹建模为二阶自回归（AR(2)）过程，离散马尔可夫过程控制每时刻伪迹状态切换。关键步骤包括：第一次扫描（Sweep 1）通过种子模型构建、复合模型枚举、切换推断得到伪迹概率分数并识别干净段，再对干净段进行振荡分解（dOsc）提取振荡参数；第二次扫描（Sweep 2）利用这些参数构建精炼模型进行最终分离，并辅以残余尖峰去除。评估涉及三个场景：模拟EEG（使用MNE前向建模，14个皮质源，59通道，注入AR(2) EMG和直流漂移伪迹）、半合成真实数据（29名参与者，128通道，面部运动任务，共11,025次IC-试验分类，以人工标注构建真实值）、自然记录（一名音乐即兴演奏者，65通道）。统计采用线性混合效应模型和配对Wilcoxon符号秩检验。
**研究结果**
**3.1 模拟实验**：ICA-S3M在信号保真度上显著优于CNN：相对均方根误差（RRMSE）为0.23±0.08 vs. 0.83±0.22；信噪比提升（ΔSNR）为12.4±5.7 dB vs. 1.2±3.1 dB；与真实值的皮尔逊相关系数为0.971±0.020 vs. 0.657±0.125（所有p<0.0001）。频谱保存方面，ICA-S3M在δ、θ、β、γ频段的带平均幅度平方相干性显著更高，α频段无显著差异。视觉检查显示CNN在无α振荡的通道中“幻觉”出虚假α峰。
**3.2 验证CNN α振荡“幻觉”**：在无α振荡的真实值模拟中，CNN产生明显虚假α峰，而ICA-S3M保持无α频谱。
**3.3 半合成真实数据**：
**3.3.1 信号保真度**：在伪迹注入时段，ICA-S3M在除额叶RRMSE外的所有时间域指标上均显著优于CNN（p<0.001）；在干净时段，ICA-S3M基本不改变信号，而CNN引入系统性失真。
**3.3.2 频谱保真度**：伪迹时段，ICA-S3M在δ、θ、α、β频段的相干性均显著高于CNN；干净时段，ICA-S3M在δ、θ、β频段相干性更高，α频段无显著差异。
**3.3.3 视觉检查**：ICA-S3M保留前/后伪迹的频谱结构，而CNN抑制θ、β振荡并再次出现“α幻觉”。
**3.3.4 α波段功率膨胀**：额叶伪迹窗口，CNN输出的α功率比真实值高30%（1.30倍），而ICA-S3M轻微过校正至0.70倍。
**3.3.5 总结**：在42个测试场景中，ICA-S3M在38个中显著优于CNN，无场景有利于CNN。
**3.3.6 伪迹概率**：ICA-S3M的伪迹概率在伪迹注入时段显著高于休息时段，额叶分离最大，验证了其对EMG污染的时间定位能力。
**3.4 自然记录**：ICA-S3M的频谱功率比（SPR）显著低于CNN（0.023±0.009 vs. 0.053±0.010，p=2.5×10
-11），在59个通道中58个更优。视觉检查再次证实CNN夸大α峰，而ICA-S3M忠实保留原始频谱。
**讨论与结论**
讨论部分指出，ICA-S3M通过适应每个记录自身的振荡结构而非学习训练数据分布，避免了CNN的“α幻觉”失败模式。其每一步决策均可追溯（显式伪迹概率和拟合振荡模型），具有高度可解释性，而深度学习模型缺乏透明度。主要局限包括：离线分析（需整段记录）、计算成本较高（54秒122通道记录约25分钟）、半合成真实值仅由单名评分员标注（但通过逻辑回归验证一致性达κ≈0.60–0.61）、自然记录仅单名受试者。研究结论（翻译）：“总之，ICA-S3M为EEG中EMG伪迹去除这一长期挑战提供了有原则、可解释且可泛化的解决方案。通过结合ICA的空间分离能力与状态空间振荡建模的时间动态刻画，该方法适应每个个体记录的动态结构，无需依赖群体模板或标注训练数据。在模拟、半合成和自然数据上的验证表明，ICA-S3M在有效抑制肌肉伪迹的同时，始终保留跨频段的神经振荡。其透明的伪迹概率估计和拟合振荡模型使研究人员能够审计和理解每个清理决策，这一特性在EEG应用于更复杂、非受控的真实环境时日益重要。”
