利用智能划分实现深度 EEG 去噪器的无监督训练
机器学习
2026-05-11 v1 人工智能
信号处理
摘要
对可穿戴脑电图（EEG）进行去噪本质上具有挑战性，因为神经活动不仅微弱，而且与频谱重叠的噪声伪影不可分离。依赖固定或启发式规则的经典信号处理方法无法处理可穿戴 EEG 中时变的普遍伪影。另一方面，深度学习方法在使用高表达能力的神经网络进行无分解 EEG 去噪方面显示出前景，但其训练需要无伪影的 EEG，而这本身是无法获得的。为解决这一问题，我们提出了用于自监督去噪的智能划分。该方法通过学习将输入 EEG 片段划分为具有相同底层信号的独立噪声实现，从而消除了对干净参考的需求。这使得深度学习去噪器的自监督成为可能，即使在仅有单个待去噪 EEG 片段的零样本设置下亦然。我们通过广泛的实验验证了 iPSD，包括对来自耳内传感器的可穿戴 EEG 的验证。结果表明，iPSD 达到了最先进的性能，最显著的是在极低信噪比（低至 -10 dB）和具有挑战性的伪影（如 EMG）下，其频谱保真度比竞争基线高出数个数量级。
引用
@article{arxiv.2605.06724,
title = {Enabling Unsupervised Training of Deep EEG Denoisers With Intelligent Partitioning},
author = {Qiyu Rao and Haozhe Tian and Homayoun Hamedmoghadam and Danilo Mandic},
journal= {arXiv preprint arXiv:2605.06724},
year = {2026}
}