从脑电图中去除脑深部电刺激伪影研究进展OA
脑深部电刺激(deep brain timulation,DBS)作为帕金森病(Parkinson’s disease,PD)等神经系统疾病的核心神经调控疗法,其疗效机制的阐明及新一代自适应闭环系统(adaptive deep brain stimulation,aDBS)的开发,高度依赖于脑电图(electroencephalogram,EEG)对皮层电生理活动的非入侵性监测。但是,DBS的高频电脉冲(100~250 Hz)及其诱发的直流电(direct current,DC)会在EEG记录中产生严重伪影。这些伪影掩盖了α、θ、β等关键神经信号,极大地限制了EEG在DBS期间的可解释性,并阻碍了相关生物标志物的发展。为了突破这一技术瓶颈,本文系统性回顾并深度对比了去除DBS伪影的前沿方法。不同于早期的数字滤波技术,本文重点综述了基于奇异值分解(singular value decomposition,SVD)的改进型自适应滤波、基于采样与插值的方法、典型相关分析的盲源分离(blind source separation,BSS)技术,以及新兴的混合深度学习(deep learning,DL)数据驱动框架。量化数据分析表明,SVD与自适应滤波的结合可使时域均方误差(mean squared error,MSE)减少95.26%;而在深度学习领域,GCTNet等生成式模型在低信噪比下对常规生理伪影展现了很好的抑制率和信号保真度(RRMSE<0.2),但受制于DBS开启时纯净脑电基准缺失的物理悖论,此类深层网络目前未被直接用于DBS伪影的端到端重构。当前针对植入式设备的DL模型已转向利用自编码进行伪影分类(F1>0.97)以及利用生成式对抗网络(generative adversarial network,GAN)合成仿真数据。本文深度对比指出,单一的算法已无法解决所遇到的问题,构建前端轻量化硬件消隐+后端非线性网络残差精调的多元融合方法,并向自监督学习迁移,是兼顾高信噪比(signal-to-noise ratio,SNR)与毫秒级延迟的必经之路。
李强;葛顺楠
西安工业大学电子信息工程学院,西安710021空军军医大学唐都医院神经外科,西安710038
医药卫生
脑深部电刺激自适应闭环系统脑电图采样与插值盲源分离深度学习
《北京生物医学工程》 2026 (4)
P.426-432,7
评论