用于无监督识别与去除 EEG 中 EOG 伪迹的自动化 CCA-MWF 算法

基于摘要分析。该研究针对情感脑机接口（ABCI）中眨眼和眼动引入的 EOG 伪迹，提出全自动、无监督的 automated canonical correlation analysis（CCA）-multi-channel Wiener filter（MWF）算法，简称 ACCAMWF，目标是减少眼部伪迹对情绪 EEG 特征提取与识别的干扰。 方法分为三个环节：首先计算空间分布熵（SDE）与谱熵（SE），自动标注伪迹片段；随后使用 CCA 从受伪迹污染的数据中提取神经信号，以进一步补充干净 EEG 数据；最后训练 MWF，对多通道 EEG 中的眼部伪迹进行自适应去除。其具体阅读价值在于将自动伪迹标注、神经信号提取与多通道滤波串联起来，但摘要未说明熵指标的判定阈值、CCA 成分筛选规则及 MWF 的训练细节。 作者报告，在半模拟 EEG/EOG 数据集和真实眨眼污染 EEG 数据集上开展实验，并与两种被作者称为先进方法的算法进行比较，结果支持 ACCAMWF 用于情绪 EEG 的 EOG 伪迹去除。摘要未提供对照算法名称、定量指标或效应大小，因此不能据此判断相对提升幅度，也不能将去伪迹效果等同于下游情绪识别性能提升。 复现与评估时需核对自动标注的准确性、清洁参考数据的构建方式，以及滤波对神经信号和情绪相关特征的保留程度。数据集名称、被试数量、通道配置、数据划分、实验协议、消融及统计信息尚未验证；跨被试、跨会话适用性与代码可得性也尚未验证。