单通道脑电图中肌电、白噪声与眼电伪迹的实时检测与分类：一种轻量级机器学习方法
机器学习
2025-10-10 v2 人工智能
神经与进化计算
摘要
真实环境中的脑电图 (EEG) 伪迹检测面临重大挑战，例如多通道方法的计算效率低下、对同时噪声的鲁棒性差，以及深度学习模型在精度与复杂度之间的权衡。我们提出了一种混合谱–时框架，用于单通道 EEG 中眼电 (EOG)、肌电 (EMG) 和白噪声伪迹的实时检测与分类。与其他方法相比，该方法结合了时域低通滤波（针对低频 EOG）和频域功率谱密度 (PSD) 分析（捕获宽带 EMG），随后进行 PCA 优化的特征融合，以最小化冗余同时保留判别信息。这种特征工程策略使得轻量级多层感知器 (MLP) 架构能够超越先进的 CNN 和 RNN，在低信噪比 (SNR -7 dB) 下达到 99% 的准确率，并在中等噪声 (SNR 4 dB) 下达到 >90% 的准确率。此外，该框架解决了尚未探索的多源同时污染问题 (EMG+EOG+白噪声)，在伪迹重叠的情况下仍保持 96% 的分类准确率。凭借 30 秒的训练时间（比 CNN 快 97%）和跨信噪比水平的鲁棒性能，该框架弥合了临床适用性与计算效率之间的差距，从而能够在可穿戴脑机接口中实现实时应用。这项工作还通过证明在噪声场景中，基于领域知识的特征融合优于复杂架构，挑战了 EEG 伪迹检测中对模型深度的普遍依赖。
引用
@article{arxiv.2509.26058,
title = {Real-time Noise Detection and Classification in Single-Channel EEG: A Lightweight Machine Learning Approach for EMG, White Noise, and EOG Artifacts},
author = {Hossein Enshaei and Pariya Jebreili and Sayed Mahmoud Sakhaei},
journal= {arXiv preprint arXiv:2509.26058},
year = {2025}
}