A2DM模型:基于时间-频率域融合的EEG伪迹去除增强方法

人工智能 神经病学 信息科学 医学
脑电图 伪迹表示 EEG去噪 频域表示

学术背景

脑电图（Electroencephalogram, EEG）是研究大脑活动的重要工具，广泛应用于神经科学、临床诊断和脑机接口等领域。然而，EEG信号在采集过程中容易受到多种伪迹（artifacts）的干扰，例如眼电伪迹（Electrooculography, EOG）和肌电伪迹（Electromyography, EMG）。这些伪迹会显著降低EEG信号的质量，进而影响后续的分析和应用。尽管已有一些方法用于去除单一类型的伪迹，但在处理多种伪迹同时存在的情况时，现有方法往往表现不佳。因此，开发一种能够统一去除多种伪迹的模型成为当前研究的重要挑战。

Haoran Li等人针对这一问题，提出了一种基于伪迹表示的EEG去噪模型，称为A2DM（Artifact-Aware Denoising Model）。该模型通过将伪迹表示融合到时频域中，实现了对多种伪迹的有效去除，显著提升了EEG信号的质量。

论文来源

该论文由Haoran Li、Fan Feng、Jiarong Kang、Jin Zhang、Xiaoli Gong、Tingjuan Lu、Shuang Li、Zhe Sun和Jordi Solé-Casals共同撰写，分别来自南开大学、清华大学、中国人民解放军第903医院、潍坊市中医院和日本顺天堂大学等机构。论文于2025年3月11日被《Cognitive Computation》期刊接收，并于同年发表。

研究流程

1. 模型设计

A2DM模型的核心思想是通过伪迹表示（Artifact Representation, AR）来指导去噪过程。具体流程如下： - 伪迹感知模块（Artifact-Aware Module, AAM）：首先，AAM从预训练的伪迹分类模型中提取伪迹表示，作为先验知识。AAM包含6个块，每个块由两个1D卷积层和一个全局平均池化层组成，最后通过全连接层输出伪迹表示。 - 频率增强模块（Frequency Enhancement Module, FEM）：FEM利用硬注意力机制（hard attention）在频域中选择性地去除特定类型的伪迹。具体来说，EEG信号通过快速傅里叶变换（FFT）转换到频域，然后根据伪迹表示生成一个二值掩码，用于选择保留或去除的频率成分。 - 时域补偿模块（Time-Domain Compensation Module, TCM）：TCM在时域中补偿因硬注意力机制可能丢失的全局信息。TCM通过深度卷积和1×3卷积重建EEG信号，确保去噪后的信号保留重要的时域特征。

2. 数据集

研究使用了两个数据集： - EEGDenoiseNet：这是一个半合成数据集，包含4514个纯净EEG片段、3400个眼电伪迹片段和5598个肌电伪迹片段。通过线性混合生成包含多种伪迹的噪声EEG信号。 - BCI Competition IV 2A：这是一个真实EEG数据集，包含9名受试者在执行运动想象任务时的EEG数据。研究通过添加噪声生成训练和测试集，用于验证模型在实际场景中的有效性。

3. 实验与评估

研究通过以下步骤验证A2DM的性能： - 去噪效果评估：使用均方根误差（RRMSE）和相关系数（CC）等指标评估模型在不同信噪比（SNR）下的去噪效果。结果表明，A2DM在去除多种伪迹时显著优于现有方法，相关系数提升了12%。 - 模块有效性分析：通过消融实验验证FEM和TCM的作用。结果显示，去除任一模块都会导致性能下降，表明这两个模块在去噪过程中起到了互补作用。 - 伪迹表示可视化：通过t-SNE和UMAP技术可视化伪迹表示，展示了AAM能够有效捕捉不同类型伪迹的特征。

主要结果

1. 去噪性能

A2DM在EEGDenoiseNet数据集上的表现优于所有对比模型，特别是在处理多种伪迹同时存在的情况下。具体来说，A2DM的RRMSE_t和RRMSE_f分别为0.6869和0.5314，相关系数达到0.7248，显著高于其他方法。

2. 模块分析

  • FEM的作用：FEM通过硬注意力机制在频域中去除伪迹，特别是在处理肌电伪迹时表现出色。实验表明，FEM能够有效识别并去除分布在20-30 Hz频率范围内的伪迹。
  • TCM的作用：TCM在时域中补偿了因硬注意力机制可能丢失的EEG信息，进一步提升了去噪效果。

3. 伪迹表示

通过可视化伪迹表示，研究证明了AAM能够有效区分不同类型的伪迹，并为去噪模型提供了重要的先验知识。

结论与意义

A2DM模型首次将伪迹表示引入EEG去噪任务，成功实现了对多种伪迹的统一去除。该模型不仅在去噪性能上显著优于现有方法，还为EEG信号处理领域提供了一种新的思路。未来，研究团队计划进一步探索自监督学习方法，以生成更精细的伪迹表示，并扩展模型在事件相关同步（ERS）和事件相关去同步（ERD）等任务中的应用。

研究亮点

  1. 伪迹表示的引入：A2DM首次将伪迹表示作为先验知识，指导去噪过程，显著提升了模型的适应性和去噪效果。
  2. 硬注意力机制的应用：FEM通过硬注意力机制在频域中选择性地去除伪迹，相比软注意力机制（soft attention）表现更优。
  3. 时域与频域的互补：TCM与FEM的结合确保了去噪后的信号在时域和频域中都保留了重要信息。
  4. 广泛的数据验证：研究在多个数据集上验证了A2DM的有效性，证明了其在实际应用中的潜力。

其他有价值的信息

研究团队还探讨了浅层卷积神经网络（CNN）在去噪任务中的表现，发现浅层模型在处理高信噪比信号时表现较好，但在低信噪比情况下性能显著下降。这一发现为未来EEG去噪模型的优化提供了重要参考。

通过本研究，A2DM模型不仅解决了EEG信号处理中的关键问题，还为相关领域的研究提供了新的工具和方法。