脑电图（Electroencephalogram,EEG）指大脑内部神经活动产生的电信号经过容积传导由紧贴头皮的传感器记录到的电位。EEG是一种无创脑电信号采集方式,时间分辨率很高,能够实时反应大脑活动过程,已经被广泛用于认知科学研究、脑部疾病诊断和脑机接口技术等方面。由于脑电信号属于微弱信号,在采集的过程中很容易受到各种伪迹的干扰,所以EEG通常在临床或者实验室的环境中记录,同时由医护人员或者研究人员采取额外的预防措施避免记录到伪迹。但是随着便携式脑电采集设备的推广和应用,脑电信号的采集转移到医院或者实验室以外的环境中时,EEG中容易出现大量的运动伪迹。运动伪迹幅值大,频域广较难消除,将会严重影响脑电信号质量。目前,尽管有研究人员提出了一些方法去除运动伪迹以获得高质量EEG信号,但是这些方法大多数都局限于高度受控的实验室环境,需要提供额外的参考信息。本文根据集合经验模态分解（EEMD）算法和主成分分析（PCA）算法提出了EEMD-PCA联合方法去除单通道EEG中运动伪迹。该方法是一种单通道运动伪迹去除方法,首先使用EEMD将一个单通道脑电信号分解为多个固有模态函数;然后使用PCA将多个固有模态函数分离为源成分;最后根据源成分的自相关性去除运动伪迹成分,重构信号获得去除运动伪迹的EEG。为了验证该方法的有效性,我们设计了实验,使用Emotiv Epoc便携式脑电头盔采集得到了包含运动伪迹的EEG数据。然后在模拟EEG数据集和真实EEG数据集上进行了测试,同时与EEG中两种常用的单通道去伪迹方法（集合经验模态分解-独立成分分析（EEMD-ICA）和集合经验模态分解-典型成分分析（EEMD-CCA））进行了对比。对于模拟数据,EEMD-PCA方法与目前效果最好的EEMD-CCA方法相比,均方根误差降低了10.3%,信噪比提升了3.1dB,相关系数增大了7%,去伪效果得到了显著的提升。对于真实数据,尽管14个通道受到运动伪迹污染的程度不相同,但是EEMD-PCA方法都可以有效的去除,表现出很好的适应性。最终表明,无论是模拟数据还是真实数据,EEMD-PCA都可以在保留有用的脑电信息前提下有效地去除运动伪迹。因此,本文提出的EEMD-PCA可以作为一种用于从便携式脑电设备采集的EEG中去除运动伪迹的有效方法。