健康与帕金森患者EEG的眨眼检测：深度学习视角
机器学习
2025-09-08 v1
摘要
电子脑电图（EEG）中的眨眼常被视为不需要的伪影。然而，近期研究表明，眨眼频率及其变异性是监控认知负荷、注意力以及潜在神经障碍的重要生理标记。本文解决了通过评估各种深度学习模型对EEG信号进行精准眨眼检测的关键任务，将EEG信号分割为不由意的眨眼和非眨眼。我们提出了一种用于眨眼检测的管道，使用1、3或5个前额电极。该问题被建模为序列到序列任务，并在各种深度学习架构上进行测试，包括标准循环神经网络、卷积神经网络（标准和深度可分离卷积），以及基于Transformer的模型和混合架构。模型在原始EEG信号上进行训练，预处理工作最小化。通过在UCSD收集的31名受试者公开数据集上进行训练和测试。该数据集由15名健康受试者和16名帕金森病患者组成，使我们能够验证模型对震颤的鲁棒性。经过所有模型测试，CNN-RNN混合模型始终优于其他模型，在健康队列中分别以93.8%、95.4%和95.8%的准确率实现了最佳的眨眼检测准确率，而在帕金森病患者中分别为73.8%、75.4%和75.8%。该论文比较了用于将EEG记录分割为不由意的眨眼和非眨眼的神经网络，从而允许计算眨眼频率和其他统计数据。
关键词
引用
@article{arxiv.2509.04951,
title = {Detecting Blinks in Healthy and Parkinson's EEG: A Deep Learning Perspective},
author = {Artem Lensky and Yiding Qiu},
journal= {arXiv preprint arXiv:2509.04951},
year = {2025}
}