在脑电图（EEG）信号采集过程中,EEG信号极易会受到来自实验设备和参与者自身产生的伪迹（如眼电、肌电、心电）的影响。在许多情况下,这些伪迹信号远比神经生理信号更突出,如果不加以纠正,会严重破坏作为衡量大脑功能指标的EEG信号。其中眼电（EOG）伪迹是由眨眼和眼球移动产生的,相比于其他肌电等伪迹的产生原因,这个眼部动作是不可避免的,眨眼的频率也是特别大的。EOG伪迹很容易混淆EEG信号,它与EEG信号在频域和时域上都存在重叠,将使EEG视觉检测或自动神经生理监测、数据分析、EEG信号的特征提取和分类都会变得很困难。对于目前去除EOG伪迹的方法,一般需要专家人员视觉检测、手动或半自动去除;附加EOG通道作为参考信号来去除EOG伪迹;给信号设置阈值去除伪迹等,但是这些方法不同程度的存在一些缺点,比如需要耗费实验人员大量的时间和精力、考验实验人员的专业能力、附加的EOG电极会使受试者极为不适、会存在将神经信号误认为伪迹信号的情况等。基于此,本文将以EOG伪迹为研究对象,使用深度学习网络模型来实现EEG中EOG伪迹的全自动去除。本文首先通过实验室脑电设备分别采集EEG和EOG数据,并对数据进行了预处理,然后将EEG和EOG信号按照信噪比线性混合,最终制作了模拟的受眼电干扰的EEG信号,制作的模拟信号可以用于网络训练和测试以及可以更好的评估网络模型。本文构建了自编码器（Auto-Encoder,AE）和长短期记忆网络（Long Short Term Memory,LSTM）,并通过AE和LSTM分别构建了堆栈稀疏自编码（Stacked Sparse Auto-Encoder,SSAE）)和Seq2Seq模型。通过把模拟的受EOG伪迹干扰的EEG信号送入网络,干净的EEG信号作为标签,分别训练SSAE和Seq2Seq模型,并对两种网络输出的预测结果进行评估。基于以上理论,完成主要研究所做工作如下:1.本文首先分别设计了EEG和EOG数据采集实验流程,并采集了12名在校大学生的EEG和EOG数据;然后本文对采集的数据进行了预处理,包括对滤波、分段等,并将EEG和EOG数据按照信噪比线性混合来制作了模拟数据,以便用于SSAE和Seq2Seq网络的训练以及后期性能的评估。2.研究了目前的深度学习网络,包括循环神经网络（Recurrent Neural Networks,RNN）、堆栈自编码（Stacked Auto-Encoder,SAE）和卷积神经网络（Convolutional Neural Network,CNN）等,通过对比研究,提出适合本文研究方向的算法和网络模型,以便用于脑电中EOG伪迹的全自动去除。3.应用了TensorFlow深度学习框架,结合实际情况设计出构建网络模型的方案。并构建以AE网络为基本单元的SSAE模型和以LSTM网络为基本单元的Seq2Seq网络模型。以及对这两种神经网络模型进行训练和测试。4.介绍了SSAE和Seq2Seq网络的训练及测试过程,并对网络的输出分别呈现了时域和频域的结果图,时域结果图显示两个网络模型都可以很好的衰减EOG伪迹,频域结果图可以看出对于EOG伪迹所在的低频带拟合效果相对较好。最后对两个网络的预测结果使用了几个性能指标进行了对比分析,在所有信噪比下,SSAE网络的预测结果值和干净的EEG标签信号之间的平均相关系数达到了0.7940,Seq2Seq网络达到了0.8861;在SNR=1d B时,SSAE网络的平均相关系数达到了0.8318;Seq2Seq网络的平均相关系数达到了0.9243。可以看出两个网络都可以很好的全自动去除EEG信号中的EOG伪迹,但是Seq2Seq网络模型的预测效果要比SSAE模型要好很多,原因在于Seq2Seq使用了具有选择记忆和选择遗忘机制的编解码网络结构。SSAE和以LSTM网络为基本单元的Seq2Seq网络模型通过训练、测试和性能评估,基本都能实现全自动去除脑电中的EOG伪迹,并得到了相对理想的预测结果。本文所提出的深度学习算法为实现脑电中的EOG伪迹以及其它伪迹的全自动去除提供了有力的技术手段,同时也有效避免了目前已有的检测和去除EOG伪迹的方法存在的缺点。