基于正交特征与分数阶压缩自编码器的脑电信号去噪

本文提出了一种基于分数阶的压缩自编码器架构，用于解决脑电图（EEG）信号去噪问题。该架构利用分数阶微积分在反向传播过程中计算梯度，由此引入了一个以分数阶阶数（$\alpha$）形式存在的新超参数，可通过调节该参数获得最佳去噪性能。此外，为避免大量占用内存资源，模型以 Tchebichef 矩形式的正交特征作为输入，并在输入阶段利用正交特征实现压缩。考虑到低能耗设备日益广泛的应用，神经网络压缩变得必不可少。此处，自编码器的权重在训练期间使用随机奇异值分解（RSVD）算法进行压缩，并在不同压缩比下进行评估。实验结果表明，与现有方法相比，所提出的分数阶压缩架构在标准数据集上提供了改进的脑电去噪结果。