CLEAN-MI: 一种用于构建运动想象范式下高质量神经数据的可扩展高效流水线
计算工程、金融与科学
2025-06-16 v1 机器学习
摘要
构建大规模、高质量数据集是开发鲁棒且可泛化的基于运动想象(MI)的脑机接口(BCI)基础模型的根本前提。然而，来自不同受试者和设备的脑电图(EEG)信号常受到低信噪比、电极配置异质性以及显著的受试者间变异性的困扰，给有效模型训练带来重大挑战。本文提出CLEAN-MI，一个用于构建运动想象范式下大规模、高效且精确的神经数据的可扩展系统性数据构建流水线。CLEAN-MI整合了频带滤波、通道模板选择、受试者筛选和边际分布对齐，以系统性地过滤无关或低质量数据并标准化多源EEG数据集。我们在多个公开MI数据集上验证了CLEAN-MI的有效性，在数据质量和分类性能上均取得一致提升。
引用
@article{arxiv.2506.11830,
title = {CLEAN-MI: A Scalable and Efficient Pipeline for Constructing High-Quality Neurodata in Motor Imagery Paradigm},
author = {Dingkun Liu and Zhu Chen and Dongrui Wu},
journal= {arXiv preprint arXiv:2506.11830},
year = {2025}
}
备注
10 pages, 6 figures