DTP-Net：通过多尺度特征复用学习重构时频域 EEG 信号
信号处理
2024-03-08 v2 机器学习
摘要
脑电图 (EEG) 信号极易受到各种伪影的污染，使得伪影去除对于提高疾病诊断和脑机接口 (BCI) 等场景下的信号质量至关重要。本文提出了一种全卷积神经网络架构 DTP-Net，该架构在一对可学习的时频变换之间嵌入了一个稠密连接时间金字塔 (DTP)，用于端到端的脑电图 (EEG) 去噪。该方法首先通过编码器层将任意长度的单通道 EEG 信号转换到时频域；随后，DTP 以多尺度方式提取并减少眼动和肌电等噪声；最后，利用解码器层重构去噪后的 EEG 信号。此外，我们深入分析了 DTP-Net 中各模块的表示学习行为，以证实其鲁棒性和可靠性。在两个公开半模拟数据集上进行的大量实验表明，DTP-Net 具有有效的伪影去除性能，优于最先进 (state-of-art) 的方法。实验结果显示，经所提模型去噪后，波形更加纯净，信噪比 (SNR) 和相对均方根误差 (RRMSE) 显著改善。此外，将所提出的 DTP-Net 应用于特定的 BCI 下游任务，与原始信号相比，分类准确率提高了高达 5.55%，验证了其在基于 EEG 的神经科学和神经工程领域的应用潜力。
引用
@article{arxiv.2312.09417,
title = {DTP-Net: Learning to Reconstruct EEG signals in Time-Frequency Domain by Multi-scale Feature Reuse},
author = {Yan Pei and Jiahui Xu and Qianhao Chen and Chenhao Wang and Feng Yu and Lisan Zhang and Wei Luo},
journal= {arXiv preprint arXiv:2312.09417},
year = {2024}
}
备注
18 pages, 10 figures