利用微调大型脑模型进行 IMU 增强的 EEG 运动伪影去除
机器学习
2025-09-03 v1 信号处理
神经元与认知
摘要
脑电图（EEG）是一种具有高时间分辨率、用于测量大脑活动的非侵入性方法；然而，由于生理和环境伪影的污染，EEG 信号通常表现出较低的信噪比。阻碍脑机接口（BCI）实际部署的主要挑战之一涉及运动相关 EEG 伪影的频繁出现。大多数先前关于 EEG 运动伪影去除的研究依赖于单模态方法，如伪影子空间重建（ASR）和独立成分分析（ICA），而没有整合同步记录的模态，如惯性测量单元（IMU），后者直接捕捉运动的程度和动态。本工作提出了一种基于微调大型脑模型（LaBraM）的相关性注意力映射方法，该方法利用 IMU 数据中的空间通道关系来识别 EEG 信号中的运动相关伪影。微调后的模型包含约 920 万个参数，并使用 5.9 小时的 EEG 和 IMU 记录进行训练，仅占训练基础模型所用 2500 小时的 0.2346%。我们将结果与已建立的 ASR-ICA 基准在不同时间尺度和运动活动下进行比较，结果表明，整合 IMU 参考信号显著提高了在多样化运动场景下的鲁棒性。
引用
@article{arxiv.2509.01073,
title = {IMU-Enhanced EEG Motion Artifact Removal with Fine-Tuned Large Brain Models},
author = {Yuhong Zhang and Xusheng Zhu and Yuchen Xu and ChiaEn Lu and Hsinyu Shih and Gert Cauwenberghs and Tzyy-Ping Jung},
journal= {arXiv preprint arXiv:2509.01073},
year = {2025}
}
备注
Accepted to IEEE EMBS 12th International Conference on Neural Engineering (NER 2025)