EEGdenoiseNet：用于脑电去噪端到端深度学习方案的基准数据集
信号处理
2021-07-29 v4
摘要
深度学习网络在包括脑电图(EEG)信号处理在内的多个领域中正日益受到关注。这些模型提供了与传统技术相当的性能。然而，目前缺乏具有特定基准的、结构良好且标准化的数据集，限制了基于深度学习的EEG去噪方案的发展。在此，我们提出EEGdenoiseNet，一个适用于训练和测试基于深度学习的去噪模型以及进行跨模型性能比较的基准EEG数据集。EEGdenoiseNet包含4514段干净EEG片段、3400段眼电伪迹片段和5598段肌电伪迹片段，允许用户利用真实干净EEG合成受污染的EEG片段。我们使用EEGdenoiseNet评估了四个经典网络(一个全连接网络、一个简单和一个复杂卷积网络，以及一个循环神经网络)的去噪性能。我们的分析表明，即使在强噪声污染下，深度学习方法在EEG去噪方面也具有巨大潜力。通过EEGdenoiseNet，我们希望加速基于深度学习的EEG去噪这一新兴领域的发展。
引用
@article{arxiv.2009.11662,
title = {EEGdenoiseNet: A benchmark dataset for end-to-end deep learning solutions of EEG denoising},
author = {Haoming Zhang and Mingqi Zhao and Chen Wei and Dante Mantini and Zherui Li and Quanying Liu},
journal= {arXiv preprint arXiv:2009.11662},
year = {2021}
}