多少数据才足够？面向 EEG 记录中伪迹检测的数据采集优化

目的。脑电图（EEG）是一种广泛使用的神经影像技术，以其高性价比和用户友好性而闻名。然而，各种伪迹，尤其是肌电图（EMG）信号等生物伪迹，会导致信噪比较差，限制了分析和应用的精度。目前报告的 EEG 数据清洗性能在很大程度上取决于用于验证的数据，在采用机器学习方法时，还取决于用于训练的数据。这些数据通常通过招募受试者执行特定伪迹任务或整合现有数据集来收集。然而，现行方法往往依赖于直觉的、面向概念的数据采集，对伪迹的选择及其数量缺乏充分的论证。鉴于生物数据采集成本高昂以及有效利用数据的迫切需求，我们提出了一种使用基于深度学习的伪迹检测的面向数据的数据采集设计优化流程。方法。我们使用三种不同的神经网络架构，对伪迹片段（包含伪迹的时间间隔）与非伪迹片段（不含伪迹的时间间隔）进行二元分类。我们的目标是在保持清洗效率的同时，最小化数据采集的工作量。主要结果。我们成功将伪迹任务的数量从十二个减少到三个，并将等长收缩任务的重复次数从十次减少到三次，有时甚至仅需一次。意义。我们的工作满足了生物数据采集中对有效数据利用的需求，提供了一种系统且动态的定量方法。通过为伪迹及其数量的选择提供明确的论证，我们旨在指导未来的研究在 EEG 和 EMG 研究中实现更有效且更经济的数据采集。