更多更好？评估深度学习应用中EEG预处理的作用
信号处理
2024-11-28 v1
摘要
过去十年间，深度学习因其对传统统计技术的显著优势而在分析脑电图（EEG）数据方面取得了显著进展。然而，即便是深度学习模型如果使用处理不当的数据进行训练，也可能表现不佳。尽管预处理是EEG数据分析的必不可少的步骤，但亟需研究探讨其对模型性能的精确影响。这导致对EEG数据在深度学习情境下应如何预处理以及程度如何较为模糊。本研究旨在考察EEG预处理在深度学习应用中的作用，为未来研究拟定指南。本文评估了不同程度的预处理对模型性能的影响，涵盖从原始和最小限度滤波的数据到包含自动去除伪影算法的复杂管道。针对六个分类任务（眼动、运动想象、帕金森病和阿尔茨海默病、睡眠剥夺以及首发精神分裂）和四种常用于EEG领域的不同架构进行评估。分析4800次不同训练的结果显示，在每个被查考模型中以及针对所查考的六个任务中，不同预处理管道之间存在统计学差异。原始数据通常导致模型表现不佳，在平均得分中总是排名最后。此外，模型似乎更受益于不包含伪影处理方法的简化管道，表明EEG伪影可能有助于深度神经网络的性能。
引用
@article{arxiv.2411.18392,
title = {The more, the better? Evaluating the role of EEG preprocessing for deep learning applications},
author = {Federico Del Pup and Andrea Zanola and Louis Fabrice Tshimanga and Alessandra Bertoldo and Manfredo Atzori},
journal= {arXiv preprint arXiv:2411.18392},
year = {2024}
}
备注
Submitted to IEEE for possible publication. Currently under revision. Federico Del Pup and Andrea Zanola are co-first authors. GitHub repository: see https://github.com/MedMaxLab/eegprepro