使用 pix2pix GAN 的脑电信号去噪：增强神经数据分析
信号处理
2024-11-21 v1
摘要
脑电图在神经科学和临床实践中至关重要，但它受到生理伪影（尤其是肌电图）的干扰，导致信号失真。我们提出了一种使用 pix2pixGAN 的深度学习模型来去除此类噪声并生成可靠的 EEG 信号。利用 EEGdenoiseNet 数据集，我们创建了具有受控 EMG 噪声水平的合成数据集，用于在 -7 到 2 的信噪比范围内进行模型训练和测试。我们的评估指标包括 RRMSE 和 Pearson's CC，在时域和频域上对模型进行了评估，并将其与其他模型进行了比较。pix2pixGAN 模型表现优异，尤其是在高噪声条件下，在更低的 RRMSE 和更高的 CC 值方面显示出显著改善。这证明了该模型在净化 EEG 信号方面具有卓越的准确性和稳定性，为 EEG 分析挑战提供了稳健的解决方案，并推动了临床和神经科学应用的发展。
关键词
引用
@article{arxiv.2411.13288,
title = {EEG Signal Denoising Using pix2pix GAN: Enhancing Neurological Data Analysis},
author = {Haoyi Wang and Xufang Chen and Yue Yang and Kewei Zhou and Meining Lv and Dongrui Wang and Wenjie Zhang},
journal= {arXiv preprint arXiv:2411.13288},
year = {2024}
}
备注
17 pages,6 figures