脑电信号能量微弱且在采集过程中易受到各种生理伪迹的干扰,尤以眼电信号的干扰最为严重。因此在脑电信号预处理中,首先需要对脑电中的眼电伪迹进行有效去除。本文针对盲源分离去除眼电伪迹方法中存在的不足,开展以下研究:(1)提出融合二阶盲辨识(Second-Order Blind Identification,SOBI)分离、样本熵识别和峰值窗口的自动去除眼电伪迹方法,其中峰值窗口的融合有效避免了非眼电区域脑电信号的丢失。首先,利用带通滤波器获得0.5～40Hz的采集脑电信号,然后依次利用SOBI方法、样本熵方法以及峰值窗口方法对采集脑电信号进行分离、眼电伪迹分量识别及眼电伪迹去除处理。紧接着分别对上述分离、识别、去除方法进行仿真实验,并对照仿真结果进行有效性分析。然后对自动去眼电伪迹方法中分离稳健性、识别用时进行仿真实验。结果表明:该方法能在有效地去除眼电区域的眼电伪迹基础上,够准确恢复出眼电区域的脑电信号,并完整地保留非眼电区域的脑电信号。但SOBI分离稳健性欠缺,其成功率较低;样本熵识别速度慢,其用时过长。(2)提出融合快速独立成分分析(Fast Independent Component Analysis,Fast ICA)分离、频谱能量熵识别和峰值窗口的自动去除眼电伪迹方法,其中Fast ICA、频谱能量熵的使用解决了眼电伪迹分量识别耗时过多、SOBI稳健性欠缺的问题。首先同样利用带通滤波器获得0.5～40Hz的采集脑电信号,接下来用Fast ICA方法分离出独立分量,并对各独立分量进行快速傅里叶变换。在此基础上,统计各独立分量的频谱能量熵,并把频谱能量熵最大值作为判据识别出眼电伪迹分量。然后使用峰值窗口分解出眼电伪迹分量中存在的脑电信号,并与其他独立分量进行拼接。最后,利用Fast ICA逆变换重构出去除眼电伪迹后的脑电信号。实验结果表明,基于Fast ICA、频谱能量熵识别和峰值窗口的自动眼电伪迹去除方法的分离成功率得到很大提高,频谱能量熵识别用时较少。可见,该方法能在有效、快速、稳定、自动地去除眼电区域中的眼电伪迹基础上,准确恢复出眼电区域的脑电信号,并完整保留非眼电区域的脑电信号。(3)进一步地,为了验证本文提出的峰值窗口融合首次提出的频谱能量熵方法的有效性,分别设计了如下实验:1)频谱能量熵与样本熵识别眼电伪迹分量准确率、速度对比实验,结果表明,两种识别方法准确率均达到98%;但频谱能量熵识别平均用时为0.015s、样本熵识别平均用时为6.835s,验证了频谱能量熵识别方法的有效性和优势性;2)使用和不使用峰值窗口、不同峰值窗口宽度以及离散小波变换与峰值窗口对比实验,结果表明,使用全尺寸宽度的峰值窗口后重构的脑电信号非眼电区域脑电信号无丢失;验证了峰值窗口方法的必要性和有效性。