前言
在脑电图（EEG）信号分析中，伪迹是最大的挑战之一。传统的预处理方法，如 ICA（独立成分分析）和阈值剔除，在处理高振幅、短暂且无法预测的伪迹（如身体运动、咀嚼、突然的眨眼或电极接触不良）时，往往效率低下或导致大量数据丢失。为了应对这类伪迹，**伪迹子空间重构（Artifact Subspace Reconstruction, ASR）**技术应运而生。
ASR 是一种基于**主成分分析（PCA）**的实时伪迹校正算法，它能够有效识别并移除瞬时、高振幅的伪迹，同时最大程度地保留有用的脑电信号，从而显著减少数据丢失。
本文将深入探讨 ASR 的核心原理、工作流程，并结合 MNE-Python 库提供完整的代码实现，旨在帮助你掌握这一先进的预处理技术。
1. ASR 的原理与机制
ASR 的核心思想可以概括为以下几点：
1.1 什么是ASR？
ASR 由 Kothe 和 Jung 提出，是一种基于统计和线性代数的 EEG 预处理技术，通过主成分分析（PCA）分离信号中的伪迹子空间并重构干净信号。它在EEGLAB的clean_rawdata插件和MNE-Python中有成熟实现，特别适合处理动态伪迹。
1.2 工作流程
ASR 的核心步骤可以分解为：
校准阶段：首先，ASR 算法需要确定一段“参考”或“干净”的数据段。对这段数据进行PCA，以识别其主要成分。这些成分代表了正常脑电信号和背景噪声的协方差结构，构建了“正常”信号子空间。
伪迹检测：接下来，算法会使用滑窗分析，遍历整个数据流。它会比较每个时间窗口的协方差与校准数据的差异，如果一个时间窗的协方差结构与参考模型显著偏离（例如，方差突然增大），它就被标记为包含伪迹。
信号重构：对于被标记为“坏”的时间窗，ASR 会再次进行 PCA，识别出其在高振幅伪迹方向上的主成分。这些成分构成了伪迹子空间。最后，ASR 将伪迹子空间中的成分从信号中移除，然后将剩余的成分重新投影回原始通道空间。
1.3 数学基础（简述）
1.4 优点与局限性
优点：
高度自动化：减少手动干预，适合大规模数据处理。
高效处理瞬时伪迹：特别擅长处理肌肉活动、电极移动等短暂、随机的伪迹。
支持实时处理：计算效率高，在在线脑机接口（BCI）系统中具有巨大潜力。
局限性：
需要高质量校准数据：校准数据的质量直接影响ASR的效果。
对持续性伪迹效果有限：对眼动、心电等持续性、周期性伪迹效果不如ICA。
参数设置需优化：不当的阈值设置可能误删真实信号。
2. ASR在EEG预处理中的位置
ASR通常在预处理管道的早期或中期：
前：数据导入、初步滤波（如0.1-1 Hz高通滤波）、坏通道剔除。
后：重参考、ICA伪迹去除、分段、基线校正。
建议：结合ICA，先用ASR处理短暂伪迹，再用ICA去除持续性伪迹。
3. 与ICA的对比
| 特性 | ASR | ICA |
| 原理 | 协方差子空间投影 | 信号统计独立性分解 |
| 适用伪迹 | 短暂伪迹（如肌肉、电极弹出） | 持续性伪迹（如眼动、心电） |
| 自动化程度 | 高，适合实时 | 中，需手动或半自动选择成分 |
| 计算复杂度 | 低 | 高，需大量数据训练 |
| 校准需求 | 需要干净校准数据 | 无需校准，但需足够样本 |
4. Python实现：基于MNE-Python和mne_clean_rawdata
以下使用MNE-Python和mne-clean-rawdata插件实现ASR，展示多通道处理和伪迹检测可视化。
4.1 环境准备
确保你已经安装了所需的库。
Bash
pip install mne
pip install mne-clean-rawdata
4.2 示例代码
以下代码加载EEG数据，应用ASR，并可视化多通道清理效果和伪迹检测。
Python
import mne
import numpy as np
import matplotlib.pyplot as plt
from mne.preprocessing import create_eeglab_compatible_raw
from mne_clean_rawdata import clean_rawdata
from mne.datasets import sample
# 1. 加载示例EEG数据
data_path = sample.data_path()
raw_fname = data_path / 'MEG' / 'sample' / 'sample_audvis_raw.fif'
raw = mne.io.read_raw_fif(raw_fname, preload=True)
raw.pick_types(eeg=True) # 仅选择EEG通道
# 2. 初步预处理
# 高通滤波以去除慢漂，低通滤波以去除高频噪声
raw.filter(l_freq=0.1, h_freq=40, fir_design='firwin')
# 3. 选择校准数据
# 选择前10秒作为校准数据，需要确保这段数据是相对干净的
calibration_start, calibration_stop = 0, 10
raw_calibration = raw.copy().crop(tmin=calibration_start, tmax=calibration_stop)
# 4. 转换为EEGLAB兼容格式，并应用ASR
raw_eeglab = create_eeglab_compatible_raw(raw)
clean_raw, artifact_mask = clean_rawdata(
raw_eeglab,
method='asr',
cutoff=10, # 伪迹阈值，值越大越保守
blocksize=30, # 校准块大小（秒）
win_len=0.5, # 滑窗长度（秒）
win_overlap=0.66, # 滑窗重叠
calibration_data=raw_calibration.get_data(),
return_artifact_mask=True # 返回伪迹标记
)
print("ASR处理完成。")
# 5. 可视化：多通道信号对比
plt.figure(figsize=(12, 8))
for ch_idx in range(min(3, raw.info['nchan'])): # 绘制前3个通道
plt.subplot(3, 1, ch_idx + 1)
times = raw.times[:500]
plt.plot(times, raw.get_data()[ch_idx, :500] * 1e6, label='原始信号', alpha=0.5)
plt.plot(times, clean_raw.get_data()[ch_idx, :500] * 1e6, label='ASR清理后', alpha=0.7)
plt.ylabel(f'通道 {raw.ch_names[ch_idx]} (μV)')
if ch_idx == 0:
plt.title('ASR清理效果：多通道对比')
if ch_idx == 2:
plt.xlabel('时间 (s)')
plt.legend()
plt.tight_layout()
plt.show()
# 6. 可视化：伪迹检测时间点
plt.figure(figsize=(12, 2))
plt.plot(raw.times, artifact_mask[0], label='伪迹标记 (1=伪迹)', color='red')
plt.xlabel('时间 (s)')
plt.ylabel('伪迹标记')
plt.title('ASR检测到的伪迹时间点')
plt.legend()
plt.tight_layout()
plt.show()
# 7. 保存清理数据
clean_raw.save('cleaned_eeg_asr.fif', overwrite=True)
总结
ASR 是一种高效、全自动的脑电伪迹校正工具，特别适用于处理非周期性、瞬时、高振幅的伪迹。它通过子空间重构，既能有效去除噪声，又最大限度地保留了有用的脑电信息，是现代脑电预处理流程中的一个重要补充。
掌握 ASR 技术，能够让你在面对复杂多变的脑电数据时，拥有一个强大的武器，从而更有效地进行数据分析和研究。