EEMD-ICA：提升神经数据伪影抑制的新方法

"EEMD-ICA方法是一种针对噪声多变量神经数据进行伪像抑制的先进技术。这种方法结合了整体经验模式分解（EEMD）和独立成分分析（ICA），旨在最大程度地去除噪声，同时保持数据的结构信息完整，降低对数据解释的偏差风险。EEMD先将含有噪声的神经数据分解为内在模式函数（IMFs），然后通过ICA对这些IMF进行分析，分离出人为成分。研究对比了EEMD-ICA与传统ICA和自动小波ICA（AWICA）方法，结果显示EEMD-ICA在归一化均方误差（NMSE）和结构相似度（SSIM）指标上表现出色，特别是在高噪声信号比（NSR）环境下，其性能优势更为显著。此外，EEMD-ICA也被应用于复杂的癫痫检测任务，进一步验证了其在实际问题中的潜力。" 这篇摘要描述了一个研究，专注于解决神经数据预处理中的伪像剔除问题。由于神经数据通常含有大量噪声，因此去除这些干扰因素对于数据分析至关重要。研究提出了一种新的方法——EEMD-ICA，这种方法结合了两个强大的工具：整体经验模式分解（EEMD）和独立成分分析（ICA）。EEMD是一种非线性、非稳态数据分解技术，能将复杂信号分解为一系列固有模式函数（IMFs），这些IMFs代表了数据的不同时间尺度成分。接着，ICA被应用到这些IMFs上，以分离出独立的、不相关的信号成分，这些成分可能包含噪声和伪像。 在实验部分，EEMD-ICA与其他两种常用的伪像剔除方法——经典ICA和自动小波ICA（AWICA）进行了比较。实验使用了包含多种噪声的半模拟神经数据，结果显示EEMD-ICA在去除伪像的效果上优于其他方法，尤其是在高噪声环境中，其在衡量数据恢复质量和结构保留的指标如归一化均方误差（NMSE）和结构相似度（SSIM）上有显著优势。例如，EEMD-ICA的SSIM值几乎是AWICA的两倍，是传统ICA的三倍。 此外，为了进一步验证EEMD-ICA在实际应用中的效果，该方法还被应用于癫痫检测的任务中。这表明EEMD-ICA不仅在理论性能上出色，而且在复杂的应用场景中也具有较高的实用性，有望成为噪声多变量神经数据处理的一个有力工具。