基于深度学习与注意力机制的单通道移动EEG睡眠研究中的伪影检测与定位
信号处理
2025-04-25 v2 机器学习
摘要
脑电图（EEG）中的伪影会降低信号质量并影响脑活动分析。当前用于检测睡眠EEG伪影的方法依赖于需要手动干预的简单阈值算法，这在新型移动记录系统产生的海量数据volume下显得浪费且不切实际。我们提出一种卷积神经网络（CNN）模型，集成卷积块注意力模块（CNN-CBAM），用于检测和识别睡眠EEG中伪影的位置。我们将该模型与六种其他机器学习和信号处理方法进行基准测试。我们在72个手工标注的EEG记录上训练/调优所有模型，这些记录来自18名健康受试者的居家监测期间，平均年龄为68.05岁（±5.02）。我们在26个独立记录上进行测试，这些记录来自6名健康受试者，平均年龄为68.33岁（±4.08），其中包含4%的epoch中存在伪影。与其他方法相比，CNN-CBAM在灵敏度（0.81）和特异度（0.86）方面取得最高值，受试者操作特征曲线下面积（0.88）也最高。CNN-CBAM的注意力图在epoch内局化伪影，灵敏度为0.71，特异度为0.67。本工作表明了在可穿戴睡眠EEG中自动化伪影检测和定位的可行性。
引用
@article{arxiv.2504.08469,
title = {Artifact detection and localization in single-channel mobile EEG for sleep research using deep learning and attention mechanisms},
author = {Khrystyna Semkiv and Jia Zhang and Maria Laura Ferster and Walter Karlen},
journal= {arXiv preprint arXiv:2504.08469},
year = {2025}
}