基于图引导的EEG信号模运算恢复

脑电图（EEG）常显示人与人之间的显著变异性。这一波动干扰了可靠获取，可能导致失真或剪切。模运算抽样现在被视为解决此问题的有前景的方法，通过折叠信号而非饱和信号。从折叠观察中恢复原始波形是一个高度欠定问题。本文提出一种基于图神经网络的方法，称为GraphUnwrapNet，用于EEG信号的模运算恢复。我们的核心思想是将EEG信号表示为一个组织化的图，其通道和时间连接建立了潜在的相互依存性。我们关键贡献之一是在引入预估计引导特征注入模块，以提供粗糙的折叠指示符，从而在恢复包装边界时增强稳定性。该设计将结构信息与折叠先验集成到一个集成框架中。我们在Simultaneous Task EEG Workload（STEW）数据集上进行了全面实验。结果表明，与传统优化技术相比，本方法在一致性方面具有优势，与当前深度学习模型相比在准确度方面表现出竞争力。我们的发现强调了基于图的方法在稳健的模运算EEG恢复方面的潜力。