用于神经时间序列滤波的目标对抗去噪自编码器（TADA）
机器学习
2025-01-13 v2
摘要
当前基于机器学习（ML）的脑电图（EEG）时间序列数据滤波算法面临训练时间长、正则化和准确重建等挑战。为了解决这些不足，我们提出了一种由逻辑协方差目标对抗去噪自编码器（TADA）驱动的ML滤波算法。我们假设，目标导向的、相关性驱动的卷积自编码器的表达能力将能够实现有效的时间序列滤波，同时最小化计算需求（例如运行时间、模型大小）。此外，我们期望带有协方差重新缩放的对抗训练将最小化信号退化。为了验证这一假设，我们训练并评估了一个TADA系统原型，用于从EEGdenoiseNet数据集中的EEG数据中去除肌电图（EMG）噪声，该数据集包含67名受试者的EMG和EEG数据。TADA滤波器在定量指标（相关系数、时间RRMSE、频谱RRMSE）上超越了传统的信号滤波算法，并且以少于400,000个可训练参数的较小模型尺寸与其他深度学习架构竞争。需要进一步的实验来评估TADA在更广泛部署场景中的可行性。
引用
@article{arxiv.2501.04967,
title = {Targeted Adversarial Denoising Autoencoders (TADA) for Neural Time Series Filtration},
author = {Benjamin J. Choi and Griffin Milsap and Clara A. Scholl and Francesco Tenore and Mattson Ogg},
journal= {arXiv preprint arXiv:2501.04967},
year = {2025}
}
备注
[Accepted] Artificial Intelligence for Time Series Analysis (AI4TS): Theory, Algorithms, and Applications @ AAAI 2025, Philadelphia, PA, USA