使用自编码器针对性对抗变换器消除神经信号干扰
机器学习
2025-02-28 v2
摘要
肌电信号(EMG)噪声是EEG数据中的主要污染来源，可能阻碍对脑部特定神经活动的准确分析。近期文献已超越传统线性算法，转向基于机器学习的系统。然而，现有的深度学习滤波方法常具有较大的计算资源消耗和不可避免的长时间训练需求。本研究提出一种新型基于机器学习的系统，用于使用自编码器针对性对抗变换器(AT-AT)过滤EEG数据中的EMG干扰。通过利用自编码器轻量化表达能力，以确定最优时间序列变换器应用位置，AT-AT架构实现了>90%的模型规模降低。采用对抗训练可确保滤波后的信号符合EEG数据的基本特征。我们使用67名受试者的公开神经数据训练了AT-AT，发现该系统能够以与更大模型相当的测试性能表现；AT-AT在初始信噪比(SNR)为2 dB时，重构相关系数均值>0.95；在-7 dB SNR时，相关系数为0.70。将这些结果推广到更大样本规模的研究至关重要；虽然本研究的范围未涉及，但我们还包含了AT-AT实际部署结果的附录。
引用
@article{arxiv.2502.05332,
title = {Removing Neural Signal Artifacts with Autoencoder-Targeted Adversarial Transformers (AT-AT)},
author = {Benjamin J. Choi},
journal= {arXiv preprint arXiv:2502.05332},
year = {2025}
}
备注
Accepted at CNS 2025, Boston, MA, USA