基于深度编解码网络的脑电通道插值
信号处理
2020-12-07 v2 机器学习
摘要
电极“弹出”伪迹源于表面与电极之间连接的自发丢失。脑电图(EEG)使用密集的电极阵列，因此“弹出”段是 EEG 数据采集过程中最普遍的一类伪迹。在许多情况下，EEG 数据的连续性对下游应用（例如脑机接口）至关重要，并要求对弹出段进行精确插值。本文将插值问题构建为使用深度编解码网络的自学习任务。我们在公开可用的 EEG 数据集上将我们的方法与当代插值方法进行比较。在未经模型训练所用的受试与任务上测试时，我们的方法相较当代方法表现出至少约 15% 的提升。我们展示了如何利用迁移学习在新受试与任务上进一步增强模型性能。本研究相关的所有代码与数据均为开源，以便于扩展与实际使用。据我们所知，这项工作是首个使用深度学习解决 EEG 插值问题的方法。
引用
@article{arxiv.2009.12244,
title = {EEG Channel Interpolation Using Deep Encoder-decoder Netwoks},
author = {Sari Saba-Sadiya and Tuka Alhanai and Taosheng Liu and Mohammad M. Ghassemi},
journal= {arXiv preprint arXiv:2009.12244},
year = {2020}
}