该论文发表于Journal of Neuroscience Methods，题目为《EEG-AI: An agentic system for AI-assisted semi-automated EEG preprocessing and artifact removal》。

第一作者为来自加拿大多伦多圣迈克尔医院的Abdelrahman Abdou，通讯作者为任职于多伦多大学及圣迈克尔医院的Venkat Bhat。

论文链接：https://doi.org/10.1016/j.jneumeth.2026.110759

论文摘要

针对脑电图（EEG）预处理依赖人工检查、独立成分分析（ICA）伪迹判读耗时且主观性较强的问题，Abdou 等提出 EEG-AI：一种由人工参与的半自动预处理与伪迹去除框架。系统结合常规信号处理、ICA 和两个协作代理：分类代理整合 ICLabel、ALICE与自定义功率谱密度（PSD）分类器，对独立成分进行集成判别；重运行代理依据分类置信度及残余伪迹指标，决定是否重建信号并迭代处理。处理结果和判定记录供 EEG 专家复核、修正或否决，研究使用合成 EEG 及公开的静息态和视觉注意任务数据，对伪迹分类、信号重建和处理效率进行评估。结果显示，该系统在合成数据上取得约 67 dB 的信噪比；在视觉注意数据上，与专家标注基准比较的相关系数为 0.666 ± 0.188，重建误差平均约为百万分之五，单名受试者的处理通常需 15–30 分钟，相较人工流程可将耗时至少减半。

该框架展示了 LLM 代理辅助 EEG 清理并保留专家把关的可行性，但目前仍属概念验证，数据集规模和类型有限，且真实 EEG缺少绝对清洁基准；其临床及移动场景中的泛化能力仍需在更多样本和环境中验证。

研究背景

脑电图（EEG）广泛用于神经科学研究和临床评估，但其信噪比较低，眼动、肌电、心电及环境噪声等伪迹又常与神经活动混杂，可能影响后续分析。传统预处理通常依赖专家目视检查、数据片段筛选和独立成分分析（ICA）后的人工判读，耗时且难以标准化，即使采用自动分类工具，ICA 成分中神经信号与伪迹相混、分类结果存在不确定性，也使人工复核仍是瓶颈。随着大语言模型调用分析工具、处理多步任务的能力发展，研究者开始探索由 AI 协调预处理流程、综合多个分类器结果并迭代评估清理效果，同时保留专家审核与干预的方案，以提升 EEG 预处理的效率、一致性和可复现性。

研究方法

总体框架

本文针对 EEG 信号信噪比较低、传统预处理依赖人工检查且耗时的问题，提出了一种人机协同的 AI 辅助预处理框架。该框架由大语言模型驱动的决策 Agent 调用 EEG 分析工具，结合多个独立成分分类器的结果，迭代判断哪些成分应保留或去除，以及是否需要重新运行处理流程，并由专家进行审核。研究使用合成 EEG 和专家标注的真实 EEG 数据评估系统，结果显示其伪迹清理表现与现有方法相当或更好，此框架有望提高 EEG 预处理效率，同时保留专家监督。

图1 EEG-AI闭环预处理框架：分类、重建、重运行与人工审核相互衔接

基础预处理

系统首先按通道名称匹配MNE-Python标准电极模板；无法精确匹配时默认采用BioSemi-64模板。它使用局部离群因子（LOF）、相关性、偏差和RANSAC等方法识别坏导联，并检测峰值、平线和肌电污染时间段。随后采用1 Hz高通滤波去除慢漂移、60 Hz陷波抑制工频干扰、100 Hz低通滤波削弱高频噪声。这些操作主要由MNE和PyPREP中的现有函数实现。

独立成分分类智能体

ICA把多通道混合EEG拆成多个相对独立的来源。系统用三种互补方法识别每个来源：ICLabel依据头皮地形图、功率谱密度（PSD）和自相关等信息输出脑、肌肉、眼、心脏、线噪声、通道噪声及其他七类概率；ALICE综合空间、频谱与时间特征；作者自建的PSD模型使用39个频域和统计特征。三个模型通过多数投票给出最终类别，置信度取支持该类别模型的平均后验概率。

图2 独立成分分类示例：头皮地形图、功率谱、时间段热图及平均诱发响应共同辅助判断

重运行策略与人工参与

首次处理后必定重运行一次。此后，若被判为伪迹的成分平均分类置信度低于0.8，系统会从保留成分重建EEG，再用相同滤波参数、秩和坏导联策略重复分析；总迭代次数最多为4次，防止无限循环。论文第2.4.1节另规定，重建时保留置信度至少为0.8的“脑”或“其他”成分。完成自动重建后，专家查看清理后的波形、置信度、头皮图和PSD等结果，可以批准输出，也可以否决并要求调整后重运行。

实验结果

在合成数据上，EEG Agent 的SNR、RMSE与ALICE几乎相同；其相关系数为0.133±0.0502，并不是所有指标都优于单模型。在真实数据集ds006563上，EEG Agent 的CC高于ICLabel和ALICE，但低于PSD模型，SNR也低于ICLabel和PSD模型。因此，结果更准确的表述是：该系统总体达到与现有方法相当的清理水平，并在部分指标上表现较好，而非在全部指标上全面领先。

表1 不同方法在真实数据集 ds006563 上的主要结果（均值±标准差）

效率方面，系统每名受试者约需15—30分钟，即可生成独立成分标签、清理后EEG、头皮图、PSD、时间段热图和诱发响应；论文称传统人工密集流程每名受试者可能需要1小时以上，因此该方法有望将处理时间至少缩短一半。不过，处理时间会受数据规模、硬件、API延迟和重运行次数影响，尚不能直接推广到所有实验室。

图3 ICA清理前后各脑电频段的功率谱比较

图4 FC1频道在ICA数据清理前后脑电信号比较

讨论

本研究最有价值的地方不只是增加了一个分类器，而是把一次性分类改造成“分类—重建—复核—重运行”的闭环。多模型投票可降低单一模型偏差，固定参数重运行和运行台账有助于复现，人工最终审核则为模糊成分和异常样本提供安全边界。专家的角色由逐个检查独立成分，转变为检查摘要、置信度和审计记录，这更适合大规模数据处理。

但从方法描述看，系统的关键重运行条件主要是预设规则，LLM实际增加的决策价值与普通规则引擎相比尚未被单独消融验证。此外，论文将不同分类器的置信度直接平均，默认这些概率可以相互比较，但各模型可能存在不同程度的概率失准。表格数据也显示优势随指标而变化，因此“始终优于传统流程”的概括需要谨慎。

局限与展望

第一，真实验证数据规模较小：ds006563只有12名健康成人，且来自受控实验环境，不能代表临床、移动EEG或不同年龄患者。第二，ds002778没有清洁真值；即使SNR、RMSE等统计指标改善，也不等同于神经生理信息一定被完整保留。第三，系统依赖ICA分解质量和电极模板，输入质量差时错误会传递到分类和重建。第四，固定0.8阈值和最多4次循环可能对某些高质量数据处理过度，也可能对低信噪比数据停止过早。第五，LLM还受提示词、模型版本、成本、隐私和不确定性校准影响。

未来应在更多疾病、设备、电极布局和真实临床环境中进行外部验证，并开展消融实验，分别比较“规则系统”“单模型”“多模型集成”和“LLM智能体”的独立贡献。作者还提出引入动态因果模型（DCM），用脑网络动力学是否合理来补充表面信号指标；同时可通过模型压缩、工具缓存和异步批处理降低延迟与费用。

结论

EEG-AI展示了一种面向专家的半自动EEG预处理原型：它把标准滤波、ICA、三个分类器、闭环重运行、完整日志和人工审核组合在一起。现有实验说明该系统可在保持专家监督的前提下减少重复工作，并获得与常用方法相当、部分指标更优的清理结果，但其数据规模、真实真值、跨场景泛化及LLM独立贡献仍需进一步验证。因此，本研究更适合被理解为具有可行性的决策支持概念验证，而不是已经能够脱离专家、直接用于临床的全自动系统。

——END——

撰稿人：彭灿

审核人：李景聪

脑机接口与混合智能研究团队