經顱磁刺激（TMS）同步腦電圖（EEG）技術（TMS-EEG）已成為腦科學研究的一項重要工具，但兩者在同步應用時會在 EEG 信號中形成復雜偽跡，如何去除這些偽跡一直是困擾研究者們的問題。本文歸納了 TMS 干預所造成的 EEG 信號偽跡的類型，并簡單介紹了在線處理方法，重點總結了針對不同偽跡的特點可以采用的離線偽跡去除或最小化方法，主要包括減法、主成分分析、獨立成分分析等。已有的文獻研究表明，現有方法可以較好地處理大部分偽跡，但是對于大偽跡的去噪效果仍有待提高。本文系統總結了近年來 TMS-EEG 研究中關于偽跡去除問題的有效處理方法，期望對于 TMS-EEG 同步研究人員在選擇偽跡去除的方法上有一定的指導意義。
引用本文： 銀珊, 李穎潔. 經顱磁刺激同步干預的頭皮腦電信號偽跡離線去除方法綜述. 生物醫學工程學雜志, 2019, 36(1): 146-150. doi: 10.7507/1001-5515.201802011 復制
引言
經顱磁刺激（transcranial magnetic stimulation，TMS）同步腦電圖（Electroencephalogram，EEG）（TMS-EEG）技術在腦科學研究中占據著獨特的地位，目前已經成為研究大腦興奮性和連通性的有力工具[1-2]。采用 TMS 技術，人們可以主動干預參與認知活動的腦區，同時通過分析在干預過程中同步記錄的 EEG 信號可以研究大腦活動變化，從而了解特定腦區在認知活動中扮演的角色。然而，TMS-EEG 技術的致命弱點是 TMS 干預會引起 EEG 信號上各種偽跡[3]，例如，TMS 強大的時變磁場在電極中產生了電流信號，即為電磁偽跡（electromagnetic artifacts/ringing artifacts）；人顱側神經肌肉受激則引發了顱肌偽跡（cranical muscle artifacts）。這些偽跡掩蓋了早期神經信號，阻礙了研究者對真正 TMS 誘發的腦部電活動的分析理解，因此如何有效去除偽跡成為應用 TMS-EEG 技術所需要解決的首要問題。
為解決這個問題，人們研究開發了各種方法，例如：通過改造硬件電路來有效規避以及采用信號處理方法進行偽跡去除等。但是迄今為止，除了 Ilmoniemi 等[3]在 2015 年的綜述文章中簡要介紹了幾種方法，還缺少一篇詳細全面的綜述介紹應用于 TMS 技術和 EEG 信號同步實驗場景下的偽跡去除方法。本文即針對此問題展開分析討論，通過梳理近十幾年來 TMS 同步 EEG 信號研究中的偽跡解決辦法，歸納了國內外多種方法的特點和應用場合，并對未來可能的發展趨勢提出了建議，以期對于相關研究人員選擇偽跡去除的方法給予一定的借鑒和指導。
1 偽跡分類
除了常見的工頻干擾和眼電偽跡外，TMS 還會給同步記錄的 EEG 信號帶來其他的干擾，按照偽跡出現的時間順序依次為電磁偽跡、顱肌偽跡、電極極化偽跡（decay artifacts at electrode）、電容充電偽跡（recharge artifacts）等，同時還伴隨著電極移動偽跡（electrode movement artifacts）、聽覺和體感誘發偽跡（TMS-evoked auditory/sensory artifacts）、濾波偽跡（filtering artifacts）等。其中，最先出現的是“電磁偽跡”，它的產生原因是 TMS 快速變化的磁場透過顱骨，在其下皮質組織中產生小的渦流，此時 EEG 信號將呈現為一個高幅尖峰形的偽跡（> 50 mV），稱為“電磁偽跡”[4]；不僅如此，TMS 也激活了受試者的頭皮肌肉，這會造成 EEG 早期信號中的大幅度的顱肌偽跡，這種顱肌偽跡幅度大于 1 mV，是在干預后 4～5 ms 和 7～10 ms 左右出現于受激腦半球同側電極處的雙相峰信號[5]。此外，EEG 信號中的偽跡還有其他多種來源，例如：電極內、電極與皮膚接觸面中都存在渦流，這就造成了剩余偽跡，即電極極化偽跡[4]；因為外界對電極的物理接觸或電磁力等原因使 EEG 信號記錄了低頻的噪聲，即電極移動偽跡[3]；TMS 脈沖會使已存儲所需電荷的線圈電容被再充電，再充電過程意味著將產生一個電壓小尖峰，這種偽跡稱為電容充電偽跡；TMS 脈沖一般伴隨著響亮的“咔嗒”聲，這會誘發出聽覺誘發電位，即在干預后約 100 ms 和 180 ms 處的兩個波峰 N100 和 P180[6]；TMS 短暫的震動使人產生被敲擊的感覺，即會在干預部位對側誘發體感誘發電位[7]。除此之外，還有與應用 TMS 技術不直接相關或無關的偽跡，包括工頻干擾、眼電偽跡以及顎夾緊、瞇眼等面部表情導致的強直肌肉活動偽跡[8]。不僅如此，在離線分析過程中，濾波處理也可能會對 EEG 數據造成紋波狀的濾波偽跡[9]。
2 去偽跡方法
去除以上偽跡的方法主要包括“在線去除”和“離線處理”兩種形式。前者是指實驗時通過使用一些硬件或物理的方法降低或避免偽跡的生成，包括使用直流耦合放大器、將線圈靠近頭部矢狀中線定位、降低電極與頭皮之間的阻抗、使用銀—氯化銀（Ag-AgCl）電極、將 TMS 的刺激形式設置為雙相、采用線圈墊座與電極相隔[10]、插入耳塞[11]、輸入白噪聲[12]等操作；后者指在數據處理階段為達到去除偽跡的目的使用一些信號去噪算法，在前述在線處理的基礎上對信號偽跡進一步去除。
在線方法能從源頭上減弱或消除上述偽跡的產生，能減小記錄偽跡的幅度、頻率或縮短回歸基線的時間，使得人們能夠記錄更“干凈”的信號。但是仍然有一些無法解決的問題，如顱肌偽跡就很難“避免”[3]，而電磁偽跡在恢復到基線前仍會被記錄，所以離線處理的方法是必不可少的。近幾年，用不同軟件離線處理偽跡的方法得到了快速發展，例如：用于 EEG 信號分析的開源工具箱 FieldTrip（Donders 研究所，荷蘭）與用于 TMS-EEG 信號分析的擴展工具箱 TESA（Rogasch N C，澳大利亞）等[8]。本文將根據方法的不同，分別綜述以下一些主要的離線處理方法。
2.1 傳統方法
早期的離線方法，最常使用的是“直接去除”法，即將干預后的可能含有偽跡的時間段都置為 0 或者直接切割掉，這種方法雖然“直接去除”了偽跡部分，但是包含早期反應和其他有意義的反應的信號數據也將被直接去除。但如果是僅需分析晚期（干預點后 > 100 ms）的信號或成分，仍然可以使用直接消除法。此外，本文還不得不提到由于能夠去除電磁偽跡與顱肌偽跡而被廣泛使用的插值法[13-14]。其中，三次插值能夠去除上述具有尖銳邊緣的偽跡，而線性插值法則存在無法去除高頻邊緣的局限[8]。
近十幾年來，一直有研究把“減法”這一簡單又重要的算法用到 TMS 偽跡去除的問題上，將其命名為“數據相減法”，其主要原理是：首先建立 TMS 偽跡的時域模板，然后用混有偽跡的腦電信號減去它。建立偽跡模版的方法主要有兩種。第一種方法是使用 TMS 干預下的 EEG 信號直接作為“模版”，例如 Thut 等[15]在研究中，即采用 TMS 干預下的 EEG 信號作為 TMS 偽跡“模版”，然后在 TMS 干預下讓受試者完成棋盤格視覺任務得到混有 TMS 偽跡的 EEG 信號，接著將兩者數據相減從而得到干凈的 EEG 信號。此外，也有研究發現顱肌偽跡的尾部波形的幅度、分布和特征是與自身頭皮肌肉活動一致的，所以將這部分數據刪除也就消除了偽跡[12]。
第二種方法是利用數學模型（如線性、指數函數）來擬合偽跡并作為偽跡“模版”，然后從記錄的信號中減去所建偽跡模型，以消除偽跡，例如利用指數衰減的函數模型建立偽跡“模版”，去除電荷衰減造成的剩余偽跡[16]。需要注意的是，這種建模的方法隱含著一個假設，即函數能夠很好地描述偽跡，因此該方法僅局限地適用于去除聽覺偽跡、剩余偽跡和顱肌偽跡等幾種特定偽跡，而對其他特性不明確的偽跡尚無法消除。
除了以上方法，2016 年，Rose 等[17]在研究中使用中值濾波器用于去除具有小尖峰的充電偽跡，也顯示出很好的效果。
2.2 主成分分析法抑制
主成分分析（principle component analysis，PCA）是一種盲源分離方法，可用于最小化 TMS 誘發的顱肌偽跡，它的基本思路是將原來的相關信號組分解為一組空間上正交且不相關的變量，即“主成分”。將 PCA 方法應用到 TMS-EEG 同步研究的偽跡去除中時，首先利用正交原理從 EEG 導聯信號中逐級發現頭皮分布具有最大差異的成分，然后根據一些原則選取部分重要成分作為“主成分”以表示神經信號以及不同來源的偽跡，最后去除這些偽跡成分即可，而原則不同會使得結果產生相應的差異。
Ter Braack 等[18]在研究中選擇去除第 1～5 個 PCA“主成分”進行抑制。選擇第 1～5 個成分代表偽跡，是因為作者在去除前五個成分之后發現偽跡得到明顯抑制。根據信號特性，確定第一偽跡為 TMS 誘發電位（TMS-evoked potentials，TEP）中混入的早期偽跡成分；根據成分的空間分布，第二偽跡確定為是由于顳區肌肉組織的激活而造成的電極移動偽跡。文獻[19]中最終以此方法實現了大幅的偽跡抑制，清晰地揭示了早期的 TEP 峰，可見 PCA 分析有利于提取 TEP。 Mutanen 等[19]將 PCA 分析直接運用到包含顱肌偽跡的 10～40 ms 段（為顱肌偽跡尾部），選擇分離第 1～5 個成分有效抑制了顱肌偽跡。但是理論上認為，上述 PCA 方法僅可以確定腦分布差異最大的成分，而忽略了那些非正交（指腦分布相似）、在時間上獨立的成分，而獨立成分分析（independent component analysis，ICA）法可以有效解決這一問題。
2.3 獨立成分分析法
ICA 法也是一種盲信源分離方法，其思路是將統計學上獨立的信源和與之線性混合的信號分離開來。在這里運用 ICA 法，是把帶有偽跡的腦電信號分離為干凈的腦電信號和偽跡成分，通過刪除偽跡成分最終達到消除偽跡的目的。
Rogasch 等[14]在利用插值法移除大的電磁偽跡（> 50 mV）和早期肌肉活動（–2～15 ms）后，采用快速 ICA 算法繼續處理 EEG 信號，最終鑒別并去除了 5 種偽跡：顱肌偽跡、眨眼偽跡、剩余偽跡、聽覺誘發電位和電極移動偽跡等。上述 ICA 方法雖然能夠去除偽跡，但由于是手動選擇，效率會比較低。Korhonen 等[20]在快速 ICA 算法基礎上提出了一種半自動算法，加強縮減算法（enhanced deflation method，EDM）。經證明，EDM 可對 TMS 干預背側初級運動皮層和布羅卡氏區域時造成的尖銳顱肌偽跡進行去除。2015 年，Chaumon 等[21]引入了幾種自動、半自動的方法，結果顯示在提高效率的同時，其偽跡選擇的可靠性也均高于手動 ICA 方法。2017 年 Chung 等[12]依次使用了上述兩個研究（文獻[14, 20]）的 ICA 偽跡去除方法，成功地獲得了 TEP。
除了效率問題，還有因素影響著 ICA 方法分離偽跡的準確性。Winkler 等[22]在 2015 年發現 ICA 算法存在對低頻漂移較敏感的情況，并且發現若在執行 ICA 方法之前濾除這些漂移，結果將得到改進。另有研究顯示，試驗的次數會極大影響 ICA 方法所得的“主成分”，當試驗次數從 25 提升到 100 時，ICA 法分離偽跡的穩定性會提升約一倍；提升數據量可以使所得偽跡成分更加穩定[23]。
此外，在執行 ICA 法之前增加預處理，例如 PCA 分析[8]，也能使偽跡去除效果更佳。以上方法基于時域給出了良好的偽跡去除或削弱方案。
2.4 基于信號空間分布的處理方法
除了上述方法，也有研究者利用偽跡的空間分布特點提出了消除偽跡的新思路。有研究稱，當肌肉受激時，頭皮各處的肌電活動會產生一種反映信號空間分布的地形圖，即由同一種電流源產生，在每個導聯電極檢測到的時間不變的一組信號相對幅值[24]。利用這種特性，Maki 等[25]提出了一種信號空間投影法（signal space projection，SSP），該算法指出，如果某種偽跡信號的地形圖已知，則可以利用 SSP 法去除與該地形圖向量平行的所有信號分量，即從原信號中移除偽跡。文獻[25]中指出 SSP 法能夠有效減小電磁偽跡和眨眼偽跡，但是不能完全去除聽覺偽跡，僅能減少其中的 N100 成分。Maki 等[25]在研究中由于 TMS 干預的是布羅卡區域，因而引起了大量的肌肉偽跡，該研究通過使用 SSP 法很好地去除了這個區域附近的肌肉偽跡，但是該方法的缺陷在于受激皮質周圍的信號同時也大幅度地衰減了。為了防止這種衰減，Mutanen 等[19]提出了進一步的分析方法，稱為“源告知重建”（source-informed reconstruction），即進行 SSP 法去偽跡后，先用最小范數估計法將數據投影到源空間，再用矩陣估計法將其重新投影到頭皮表面。這種方法使得 TMS 干預后 15 ms 內的 TEP 與受激皮質區域的真實活動保持同步，克服了 SSP 法導致的信號衰減問題。
2.5 與 TMS 干預無關的偽跡
除了上述的主要偽跡外，一些偽跡雖不是與 TMS 干預直接相關，但也對 EEG 信號的質量產生很大的影響，必須有效地遏制。例如：TMS 干預靠近前額的腦區時，會增加眨眼或眼動的頻率，有些受試者甚至會產生固定時間間隔的反射眨眼[26]，由此產生的眼電偽跡利用眼電校正、刪除“不好”的數據段或 ICA 法等方法即可去除。不僅如此，有些受試者也會因為 TMS 干預造成面部的強直肌肉活動，這種干擾是難以通過在線方式進行控制的，通常利用 ICA 法去除其造成的偽跡[21]。
此外，濾波通常是信號離線分析的第一步，但濾波方式不當可能產生新的（如：振鈴或紋波）偽跡[9]。Rogasch 等[8]在近期研究中指出，因為 TMS 脈沖偽跡具有高幅、高頻的性質，濾波后容易造成新的紋波和漂移偽跡，所以提出應先去除電磁偽跡和顱肌偽跡的峰（約–2～10 ms），然后內插丟失的數據、降采樣，此時再進行帶通濾波（1～100 Hz），即可以有效避免引入新偽跡，因此濾波應該在去除電磁偽跡之后進行，這樣可以有效地減少濾波偽跡。
3 總結和展望
經過幾十年的發展，通過改造硬件、控制實驗條件，采用多種離線處理算法，研究者們已初步形成了一套比較有效的偽跡去除方法，但要將偽跡和 EEG 信號實現真正地分離仍然很困難。目前在離線算法應用過程中仍存在對腦部電生理活動信息的破壞，這一問題也大大阻礙了對 EEG 早期信號的研究。
本文在梳理了 TMS-EEG 技術相關偽跡種類的基礎上，總結了幾種偽跡去除的主要方法，說明了這些方法對于不同種類偽跡的作用。其中主流方法是在現有在線方法基礎上結合離線插值和 ICA 法去除，這種方法能較好地去除具有最大干擾力度的電磁偽跡與顱肌偽跡。同時，這種方法還經常與 PCA 法結合進行，能夠較好地幫助研究者提取 TEP。相減法和 SSP 法則相對獨立，較少與其他方法聯合使用。
展望未來，今后在深入研究去偽跡算法的基礎上，可以通過設計實驗，對實際操作中的偽跡參數以及所記錄 TMS 脈沖的不穩定性進行研究，從而有針對性地提出去除方案；還可以尋找更有效的離線算法加入到 EEG 數據記錄系統中，使得實時去除偽跡、追蹤腦電活動成為可能。例如：考慮到 EEG 信號的非線性、非平穩特性，以及 TMS 干預的特征，采用包括非線性動力學在內的現代信號分析方法對 TMS 誘發出的偽跡進行建模以達到去除的目的。總之，進一步探索偽跡去除方法已成為 TMS-EEG 研究取得更加深入成果的必經之路。
引言
經顱磁刺激（transcranial magnetic stimulation，TMS）同步腦電圖（Electroencephalogram，EEG）（TMS-EEG）技術在腦科學研究中占據著獨特的地位，目前已經成為研究大腦興奮性和連通性的有力工具[1-2]。采用 TMS 技術，人們可以主動干預參與認知活動的腦區，同時通過分析在干預過程中同步記錄的 EEG 信號可以研究大腦活動變化，從而了解特定腦區在認知活動中扮演的角色。然而，TMS-EEG 技術的致命弱點是 TMS 干預會引起 EEG 信號上各種偽跡[3]，例如，TMS 強大的時變磁場在電極中產生了電流信號，即為電磁偽跡（electromagnetic artifacts/ringing artifacts）；人顱側神經肌肉受激則引發了顱肌偽跡（cranical muscle artifacts）。這些偽跡掩蓋了早期神經信號，阻礙了研究者對真正 TMS 誘發的腦部電活動的分析理解，因此如何有效去除偽跡成為應用 TMS-EEG 技術所需要解決的首要問題。
為解決這個問題，人們研究開發了各種方法，例如：通過改造硬件電路來有效規避以及采用信號處理方法進行偽跡去除等。但是迄今為止，除了 Ilmoniemi 等[3]在 2015 年的綜述文章中簡要介紹了幾種方法，還缺少一篇詳細全面的綜述介紹應用于 TMS 技術和 EEG 信號同步實驗場景下的偽跡去除方法。本文即針對此問題展開分析討論，通過梳理近十幾年來 TMS 同步 EEG 信號研究中的偽跡解決辦法，歸納了國內外多種方法的特點和應用場合，并對未來可能的發展趨勢提出了建議，以期對于相關研究人員選擇偽跡去除的方法給予一定的借鑒和指導。
1 偽跡分類
除了常見的工頻干擾和眼電偽跡外，TMS 還會給同步記錄的 EEG 信號帶來其他的干擾，按照偽跡出現的時間順序依次為電磁偽跡、顱肌偽跡、電極極化偽跡（decay artifacts at electrode）、電容充電偽跡（recharge artifacts）等，同時還伴隨著電極移動偽跡（electrode movement artifacts）、聽覺和體感誘發偽跡（TMS-evoked auditory/sensory artifacts）、濾波偽跡（filtering artifacts）等。其中，最先出現的是“電磁偽跡”，它的產生原因是 TMS 快速變化的磁場透過顱骨，在其下皮質組織中產生小的渦流，此時 EEG 信號將呈現為一個高幅尖峰形的偽跡（> 50 mV），稱為“電磁偽跡”[4]；不僅如此，TMS 也激活了受試者的頭皮肌肉，這會造成 EEG 早期信號中的大幅度的顱肌偽跡，這種顱肌偽跡幅度大于 1 mV，是在干預后 4～5 ms 和 7～10 ms 左右出現于受激腦半球同側電極處的雙相峰信號[5]。此外，EEG 信號中的偽跡還有其他多種來源，例如：電極內、電極與皮膚接觸面中都存在渦流，這就造成了剩余偽跡，即電極極化偽跡[4]；因為外界對電極的物理接觸或電磁力等原因使 EEG 信號記錄了低頻的噪聲，即電極移動偽跡[3]；TMS 脈沖會使已存儲所需電荷的線圈電容被再充電，再充電過程意味著將產生一個電壓小尖峰，這種偽跡稱為電容充電偽跡；TMS 脈沖一般伴隨著響亮的“咔嗒”聲，這會誘發出聽覺誘發電位，即在干預后約 100 ms 和 180 ms 處的兩個波峰 N100 和 P180[6]；TMS 短暫的震動使人產生被敲擊的感覺，即會在干預部位對側誘發體感誘發電位[7]。除此之外，還有與應用 TMS 技術不直接相關或無關的偽跡，包括工頻干擾、眼電偽跡以及顎夾緊、瞇眼等面部表情導致的強直肌肉活動偽跡[8]。不僅如此，在離線分析過程中，濾波處理也可能會對 EEG 數據造成紋波狀的濾波偽跡[9]。
2 去偽跡方法
去除以上偽跡的方法主要包括“在線去除”和“離線處理”兩種形式。前者是指實驗時通過使用一些硬件或物理的方法降低或避免偽跡的生成，包括使用直流耦合放大器、將線圈靠近頭部矢狀中線定位、降低電極與頭皮之間的阻抗、使用銀—氯化銀（Ag-AgCl）電極、將 TMS 的刺激形式設置為雙相、采用線圈墊座與電極相隔[10]、插入耳塞[11]、輸入白噪聲[12]等操作；后者指在數據處理階段為達到去除偽跡的目的使用一些信號去噪算法，在前述在線處理的基礎上對信號偽跡進一步去除。
在線方法能從源頭上減弱或消除上述偽跡的產生，能減小記錄偽跡的幅度、頻率或縮短回歸基線的時間，使得人們能夠記錄更“干凈”的信號。但是仍然有一些無法解決的問題，如顱肌偽跡就很難“避免”[3]，而電磁偽跡在恢復到基線前仍會被記錄，所以離線處理的方法是必不可少的。近幾年，用不同軟件離線處理偽跡的方法得到了快速發展，例如：用于 EEG 信號分析的開源工具箱 FieldTrip（Donders 研究所，荷蘭）與用于 TMS-EEG 信號分析的擴展工具箱 TESA（Rogasch N C，澳大利亞）等[8]。本文將根據方法的不同，分別綜述以下一些主要的離線處理方法。
2.1 傳統方法
早期的離線方法，最常使用的是“直接去除”法，即將干預后的可能含有偽跡的時間段都置為 0 或者直接切割掉，這種方法雖然“直接去除”了偽跡部分，但是包含早期反應和其他有意義的反應的信號數據也將被直接去除。但如果是僅需分析晚期（干預點后 > 100 ms）的信號或成分，仍然可以使用直接消除法。此外，本文還不得不提到由于能夠去除電磁偽跡與顱肌偽跡而被廣泛使用的插值法[13-14]。其中，三次插值能夠去除上述具有尖銳邊緣的偽跡，而線性插值法則存在無法去除高頻邊緣的局限[8]。
近十幾年來，一直有研究把“減法”這一簡單又重要的算法用到 TMS 偽跡去除的問題上，將其命名為“數據相減法”，其主要原理是：首先建立 TMS 偽跡的時域模板，然后用混有偽跡的腦電信號減去它。建立偽跡模版的方法主要有兩種。第一種方法是使用 TMS 干預下的 EEG 信號直接作為“模版”，例如 Thut 等[15]在研究中，即采用 TMS 干預下的 EEG 信號作為 TMS 偽跡“模版”，然后在 TMS 干預下讓受試者完成棋盤格視覺任務得到混有 TMS 偽跡的 EEG 信號，接著將兩者數據相減從而得到干凈的 EEG 信號。此外，也有研究發現顱肌偽跡的尾部波形的幅度、分布和特征是與自身頭皮肌肉活動一致的，所以將這部分數據刪除也就消除了偽跡[12]。
第二種方法是利用數學模型（如線性、指數函數）來擬合偽跡并作為偽跡“模版”，然后從記錄的信號中減去所建偽跡模型，以消除偽跡，例如利用指數衰減的函數模型建立偽跡“模版”，去除電荷衰減造成的剩余偽跡[16]。需要注意的是，這種建模的方法隱含著一個假設，即函數能夠很好地描述偽跡，因此該方法僅局限地適用于去除聽覺偽跡、剩余偽跡和顱肌偽跡等幾種特定偽跡，而對其他特性不明確的偽跡尚無法消除。
除了以上方法，2016 年，Rose 等[17]在研究中使用中值濾波器用于去除具有小尖峰的充電偽跡，也顯示出很好的效果。
2.2 主成分分析法抑制
主成分分析（principle component analysis，PCA）是一種盲源分離方法，可用于最小化 TMS 誘發的顱肌偽跡，它的基本思路是將原來的相關信號組分解為一組空間上正交且不相關的變量，即“主成分”。將 PCA 方法應用到 TMS-EEG 同步研究的偽跡去除中時，首先利用正交原理從 EEG 導聯信號中逐級發現頭皮分布具有最大差異的成分，然后根據一些原則選取部分重要成分作為“主成分”以表示神經信號以及不同來源的偽跡，最后去除這些偽跡成分即可，而原則不同會使得結果產生相應的差異。
Ter Braack 等[18]在研究中選擇去除第 1～5 個 PCA“主成分”進行抑制。選擇第 1～5 個成分代表偽跡，是因為作者在去除前五個成分之后發現偽跡得到明顯抑制。根據信號特性，確定第一偽跡為 TMS 誘發電位（TMS-evoked potentials，TEP）中混入的早期偽跡成分；根據成分的空間分布，第二偽跡確定為是由于顳區肌肉組織的激活而造成的電極移動偽跡。文獻[19]中最終以此方法實現了大幅的偽跡抑制，清晰地揭示了早期的 TEP 峰，可見 PCA 分析有利于提取 TEP。 Mutanen 等[19]將 PCA 分析直接運用到包含顱肌偽跡的 10～40 ms 段（為顱肌偽跡尾部），選擇分離第 1～5 個成分有效抑制了顱肌偽跡。但是理論上認為，上述 PCA 方法僅可以確定腦分布差異最大的成分，而忽略了那些非正交（指腦分布相似）、在時間上獨立的成分，而獨立成分分析（independent component analysis，ICA）法可以有效解決這一問題。
2.3 獨立成分分析法
ICA 法也是一種盲信源分離方法，其思路是將統計學上獨立的信源和與之線性混合的信號分離開來。在這里運用 ICA 法，是把帶有偽跡的腦電信號分離為干凈的腦電信號和偽跡成分，通過刪除偽跡成分最終達到消除偽跡的目的。
Rogasch 等[14]在利用插值法移除大的電磁偽跡（> 50 mV）和早期肌肉活動（–2～15 ms）后，采用快速 ICA 算法繼續處理 EEG 信號，最終鑒別并去除了 5 種偽跡：顱肌偽跡、眨眼偽跡、剩余偽跡、聽覺誘發電位和電極移動偽跡等。上述 ICA 方法雖然能夠去除偽跡，但由于是手動選擇，效率會比較低。Korhonen 等[20]在快速 ICA 算法基礎上提出了一種半自動算法，加強縮減算法（enhanced deflation method，EDM）。經證明，EDM 可對 TMS 干預背側初級運動皮層和布羅卡氏區域時造成的尖銳顱肌偽跡進行去除。2015 年，Chaumon 等[21]引入了幾種自動、半自動的方法，結果顯示在提高效率的同時，其偽跡選擇的可靠性也均高于手動 ICA 方法。2017 年 Chung 等[12]依次使用了上述兩個研究（文獻[14, 20]）的 ICA 偽跡去除方法，成功地獲得了 TEP。
除了效率問題，還有因素影響著 ICA 方法分離偽跡的準確性。Winkler 等[22]在 2015 年發現 ICA 算法存在對低頻漂移較敏感的情況，并且發現若在執行 ICA 方法之前濾除這些漂移，結果將得到改進。另有研究顯示，試驗的次數會極大影響 ICA 方法所得的“主成分”，當試驗次數從 25 提升到 100 時，ICA 法分離偽跡的穩定性會提升約一倍；提升數據量可以使所得偽跡成分更加穩定[23]。
此外，在執行 ICA 法之前增加預處理，例如 PCA 分析[8]，也能使偽跡去除效果更佳。以上方法基于時域給出了良好的偽跡去除或削弱方案。
2.4 基于信號空間分布的處理方法
除了上述方法，也有研究者利用偽跡的空間分布特點提出了消除偽跡的新思路。有研究稱，當肌肉受激時，頭皮各處的肌電活動會產生一種反映信號空間分布的地形圖，即由同一種電流源產生，在每個導聯電極檢測到的時間不變的一組信號相對幅值[24]。利用這種特性，Maki 等[25]提出了一種信號空間投影法（signal space projection，SSP），該算法指出，如果某種偽跡信號的地形圖已知，則可以利用 SSP 法去除與該地形圖向量平行的所有信號分量，即從原信號中移除偽跡。文獻[25]中指出 SSP 法能夠有效減小電磁偽跡和眨眼偽跡，但是不能完全去除聽覺偽跡，僅能減少其中的 N100 成分。Maki 等[25]在研究中由于 TMS 干預的是布羅卡區域，因而引起了大量的肌肉偽跡，該研究通過使用 SSP 法很好地去除了這個區域附近的肌肉偽跡，但是該方法的缺陷在于受激皮質周圍的信號同時也大幅度地衰減了。為了防止這種衰減，Mutanen 等[19]提出了進一步的分析方法，稱為“源告知重建”（source-informed reconstruction），即進行 SSP 法去偽跡后，先用最小范數估計法將數據投影到源空間，再用矩陣估計法將其重新投影到頭皮表面。這種方法使得 TMS 干預后 15 ms 內的 TEP 與受激皮質區域的真實活動保持同步，克服了 SSP 法導致的信號衰減問題。
2.5 與 TMS 干預無關的偽跡
除了上述的主要偽跡外，一些偽跡雖不是與 TMS 干預直接相關，但也對 EEG 信號的質量產生很大的影響，必須有效地遏制。例如：TMS 干預靠近前額的腦區時，會增加眨眼或眼動的頻率，有些受試者甚至會產生固定時間間隔的反射眨眼[26]，由此產生的眼電偽跡利用眼電校正、刪除“不好”的數據段或 ICA 法等方法即可去除。不僅如此，有些受試者也會因為 TMS 干預造成面部的強直肌肉活動，這種干擾是難以通過在線方式進行控制的，通常利用 ICA 法去除其造成的偽跡[21]。
此外，濾波通常是信號離線分析的第一步，但濾波方式不當可能產生新的（如：振鈴或紋波）偽跡[9]。Rogasch 等[8]在近期研究中指出，因為 TMS 脈沖偽跡具有高幅、高頻的性質，濾波后容易造成新的紋波和漂移偽跡，所以提出應先去除電磁偽跡和顱肌偽跡的峰（約–2～10 ms），然后內插丟失的數據、降采樣，此時再進行帶通濾波（1～100 Hz），即可以有效避免引入新偽跡，因此濾波應該在去除電磁偽跡之后進行，這樣可以有效地減少濾波偽跡。
3 總結和展望
經過幾十年的發展，通過改造硬件、控制實驗條件，采用多種離線處理算法，研究者們已初步形成了一套比較有效的偽跡去除方法，但要將偽跡和 EEG 信號實現真正地分離仍然很困難。目前在離線算法應用過程中仍存在對腦部電生理活動信息的破壞，這一問題也大大阻礙了對 EEG 早期信號的研究。
本文在梳理了 TMS-EEG 技術相關偽跡種類的基礎上，總結了幾種偽跡去除的主要方法，說明了這些方法對于不同種類偽跡的作用。其中主流方法是在現有在線方法基礎上結合離線插值和 ICA 法去除，這種方法能較好地去除具有最大干擾力度的電磁偽跡與顱肌偽跡。同時，這種方法還經常與 PCA 法結合進行，能夠較好地幫助研究者提取 TEP。相減法和 SSP 法則相對獨立，較少與其他方法聯合使用。
展望未來，今后在深入研究去偽跡算法的基礎上，可以通過設計實驗，對實際操作中的偽跡參數以及所記錄 TMS 脈沖的不穩定性進行研究，從而有針對性地提出去除方案；還可以尋找更有效的離線算法加入到 EEG 數據記錄系統中，使得實時去除偽跡、追蹤腦電活動成為可能。例如：考慮到 EEG 信號的非線性、非平穩特性，以及 TMS 干預的特征，采用包括非線性動力學在內的現代信號分析方法對 TMS 誘發出的偽跡進行建模以達到去除的目的。總之，進一步探索偽跡去除方法已成為 TMS-EEG 研究取得更加深入成果的必經之路。