一种高效且鲁棒的少通道 EEG 肌肉伪迹去除方法

基于摘要分析。该研究针对可穿戴少通道 EEG 中肌肉伪迹影响信号解释、现有去除方法计算负担较高的问题，提出结合 Fast Multivariate Empirical Mode Decomposition（FMEMD）与典型相关分析（CCA）的 FMEMD-CCA 方法，主要贡献是提升分解效率，并评估其在低采样率条件下的鲁棒性。 核心流程是先用 FMEMD 将输入 EEG 分解为多个多变量 Intrinsic Mode Functions（IMF），再对这些 IMF 应用 CCA 以估计潜在源。方法将低自相关的源判定为肌肉伪迹并剔除，随后用保留成分重建 IMF 与 EEG。其关键判别依据是源的自相关特性；具体阈值、选择规则及重建细节尚未验证。 作者报告，在同一计算机与软件环境下处理 10 秒 EEG 记录时，FMEMD-CCA 相比 MEMD-CCA 的计算耗时降低约一个数量级，且两种方法的 accuracy 与平均相关系数高度一致。这里的 accuracy 是摘要中的评估指标，不能等同于 BCI 任务分类 Accuracy；其定义及具体数值尚未验证。作者还报告，真实数据与基准测试支持 FMEMD-CCA 在低采样率条件下比 MEMD-CCA 更鲁棒，但摘要未提供采样率、通道数、数据集名称、被试数或鲁棒性指标。 阅读与复现应重点核对低自相关判据能否区分肌肉伪迹与需保留的 EEG 成分，以及不同采样率和伪迹强度下的去噪质量与耗时。模拟数据的污染方式、真实数据的参考标准、实验协议、消融及统计信息尚未验证；摘要也未提供代码与运行环境细节。该研究直接涉及 EEG 预处理，但尚不能据此认定其能改善具体 BCI 任务的解码表现。