基于快速自适应多维子带盲源分离的短时少通道 EEG 高效伪迹去除

基于摘要分析。研究针对短时、少通道 EEG 数据量有限、伪迹去除效果与计算效率难以兼顾的问题，提出快速自适应多维子带盲源分离方法，面向实时压力水平检测、运动想象等应用中的 EEG 预处理。 核心流程包括三个阶段：首先使用噪声辅助快速多变量经验模态分解（NA-FMEMD），将短时少通道 EEG 分解为多维子带；随后使用典型相关分析（CCA）进行盲源分离，估计伪迹相关源与 EEG 相关源；最后选择 EEG 相关源并重建清洁 EEG。摘要将最终选择过程描述为智能选择，但其判别规则、阈值及是否依赖监督信息尚未验证。 作者报告，在相同计算机与软件条件下，对 2 秒少通道 EEG 片段进行处理时，该方法的计算耗时至少缩短至所比较先进方法的五分之一，同时保持相近的伪迹去除效果。该结果仅对应摘要所述条件；具体通道数、伪迹类型、数据集、被试数、对照方法及效果指标尚未验证，不能据此推断运动想象分类 Accuracy 或完整在线系统的延迟改善。 复现时需核对 NA-FMEMD 的噪声辅助与分解参数、CCA 源分离及源选择规则，并在相同硬件、软件和输入片段长度下比较耗时。还应核对伪迹抑制是否损伤任务相关 EEG 成分，以及分解、源选择和重建各阶段的耗时贡献。实验协议、消融及统计信息尚未验证；作者关于更适合实时处理的结论仍需结合连续在线处理条件与下游任务表现评估。