[论文解读] ART: Artifact Removal Transformer for Reconstructing Noise-Free Multichannel Electroencephalographic Signals

Chun‐Hsiang Chuang, Kong-Yi Chang+2 more|arXiv (Cornell University)|Sep 11, 2024

EEG and Brain-Computer InterfacesNeuroscience被引用 3

一句话总结

ART 提出了一种基于 Transformer 的新型深度学习模型，用于多通道 EEG 信号的端到端去噪，能够有效去除多种伪影，同时保留毫秒级的神经动力学。通过利用 ICA 增强的噪声-干净 EEG 数据对，并在 BCI 数据集上进行全面评估，ART 在信噪比和重建精度方面达到了最先进水平，为 EEG 伪影去除设立了新基准。

ABSTRACT

Artifact removal in electroencephalography (EEG) is a longstanding challenge that significantly impacts neuroscientific analysis and brain-computer interface (BCI) performance. Tackling this problem demands advanced algorithms, extensive noisy-clean training data, and thorough evaluation strategies. This study presents the Artifact Removal Transformer (ART), an innovative EEG denoising model employing transformer architecture to adeptly capture the transient millisecond-scale dynamics characteristic of EEG signals. Our approach offers a holistic, end-to-end denoising solution for diverse artifact types in multichannel EEG data. We enhanced the generation of noisy-clean EEG data pairs using an independent component analysis, thus fortifying the training scenarios critical for effective supervised learning. We performed comprehensive validations using a wide range of open datasets from various BCI applications, employing metrics like mean squared error and signal-to-noise ratio, as well as sophisticated techniques such as source localization and EEG component classification. Our evaluations confirm that ART surpasses other deep-learning-based artifact removal methods, setting a new benchmark in EEG signal processing. This advancement not only boosts the accuracy and reliability of artifact removal but also promises to catalyze further innovations in the field, facilitating the study of brain dynamics in naturalistic environments.

研究动机与目标

• 为解决多通道 EEG 信号中长期存在的伪影污染问题，该问题会降低神经科学研究分析和 BCI 性能。
• 开发一种端到端的深度学习框架，能够处理 EEG 数据中的多种伪影类型。
• 通过独立成分分析（ICA）生成合成的噪声-干净 EEG 数据对，以提升训练数据质量。
• 利用多种定量指标和神经生理学相关指标，在多样化的 BCI 相关数据集上验证模型性能。
• 通过超越现有基于深度学习的伪影去除方法，为 EEG 去噪建立新基准。

提出的方法

• ART 模型采用 Transformer 架构，以捕捉多通道 EEG 信号中的长程时间依赖性和瞬态动态特性。
• 在通过独立成分分析（ICA）生成的合成噪声-干净 EEG 数据对上进行监督式训练，以模拟真实的伪影污染。
• 模型处理原始多通道 EEG 输入，并通过序列到序列的去噪机制重建无噪声信号。
• 使用均方误差损失进行训练优化，以最小化预测信号与干净信号之间的重建误差。
• 该框架设计为可泛化于不同 EEG 采集设置和伪影类型。
• 评估包括信号级指标（MSE、SNR）、脑源定位准确性和 EEG 成分分类，以验证其神经生理学合理性。

实验结果

研究问题

• RQ1 基于 Transformer 的架构能否有效捕捉 EEG 信号的毫秒级动态特性，同时去除多种伪影？
• RQ2 ART 在多个 BCI 相关数据集上的性能与现有基于深度学习的 EEG 去噪方法相比如何？
• RQ3 ICA 增强的合成数据在多大程度上提升了去噪模型的泛化能力和鲁棒性？
• RQ4 重建后的 EEG 信号是否保留了具有神经生理学意义的脑源定位和成分结构？
• RQ5 ART 是否可作为临床和 BCI 应用中 EEG 伪影去除的新基准？

主要发现

• ART 在多个公开 EEG 数据集上均实现了最先进的信噪比（SNR）和均方误差（MSE）表现。
• 与基线去噪方法相比，该模型显著提升了脑源定位准确性，表明其更好地保留了神经源活动。
• ART 在 EEG 成分分类任务中表现出更优性能，证实去噪后的信号保留了生物学相关特征。
• 使用 ICA 生成的噪声-干净数据对显著增强了模型在未见伪影类型上的泛化能力和鲁棒性。
• ART 在定量指标和神经生理学验证方面均优于现有基于深度学习的伪影去除方法，确立了 EEG 信号重建的新基准。