BandRouteNet：用于 EEG 伪影去除的自适应频段路由神经网络

脑电图 (EEG) 高度易受电动眼动图 (EOG) 和肌电图 (EMG) 干扰等伪影的污染，这严重降低了信号质量，并阻碍了包括神经诊断、脑机接口 (BCI) 等应用中的可靠解释。有效的 EEG 去噪仍具有挑战性，因为不同的伪影来源表现出多样且随时间变化的分布，以及在不同频段中具有不同的光谱特征。为此，我们提出了 BandRouteNet，一个基于频段的自适应频率感知神经网络，用于 EEG 去噪，该网络同时利用频段特定处理和全带上下文建模。该模型进行频段级去噪，以显式捕获频率相关的伪影模式。在此框架内，我们引入一种路由机制，自适应地确定在每个频段内在何处以及对去噪应有多大程度。并行地，一个全带条件器直接处理原始噪声 EEG，以提取全局时序上下文，产生用于调制频段路径的条件参数以及用于补充最终重构的粗粒度信号级细化。广泛的实验在 EEGDenoiseNet 基准数据集上表明，BandRouteNet 在 EOG、EMG 和混合伪影条件下均优于其他方法，根据统一的实验设置，分别以相对均方根误差 (RRMSE) 和信噪比改善 (SNR$_{\text{imp}}$) 为指标表现出色，同时仅使用 0.2M 可训练参数即可保持高度参数高效。这些结果凸显了其在资源受限应用程序中实现高性能 EEG 伪影去除的强大潜力。