面向同步EEG-fMRI的深度学习梯度和BCG 伪影消除
信号处理
2025-07-31 v1 图像与视频处理
摘要
同步EEG-fMRI记录结合了高时空分辨率，用于跟踪神经活动。然而，其有用性受限于磁共振(MR)相关伪影的干扰，尤其是梯度伪影(GA)和心动图伪影(BCG)，这些伪影干扰了EEG信号。为此，我们使用去噪自编码器(DAR)，一种专为减少EEG记录中MR相关伪影而设计的深度学习框架。在使用包含artifact-受污染EEG和MR-校正EEG的配对数据后，DAR使用1D卷积自编码器学习从噪声信号段到干净信号段的直接映射。与传统伪影去除方法如主成分分析(PCA)、独立成分分析(ICA)、平均伪影减法(AAS)和小波阈值处理相比，DAR表现更佳。它实现了均根二次方误差(RMSE)为，结构相似性指数(SSIM)为，信噪比(SNR)提升为 dB。采用配对t检验进行统计分析确认，这些改进是显著的(；Cohen's d>1.2)。离子-被试交叉验证(LOSO)协议显示，该模型在一般化方面表现良好，在未见主题上平均RMSE为，SSIM为。此外，基于敏感度的可视化表明，DAR突出显示密集伪影区域，这使其决策更易解释。总体而言，这些结果将DAR定位为同步EEG-fMRI应用中潜在且可理解的实时EEG伪影消除解决方案。
引用
@article{arxiv.2507.22263,
title = {Deep Learning for Gradient and BCG Artifacts Removal in EEG During Simultaneous fMRI},
author = {K. A. Shahriar and E. H. Bhuiyan and Q. Luo and M. E. H. Chowdhury and X. J. Zhou},
journal= {arXiv preprint arXiv:2507.22263},
year = {2025}
}
备注
15 pages and 13 figures