[论文解读] EEGdenoiseNet: A benchmark dataset for end-to-end deep learning solutions of EEG denoising

Haoming Zhang, Mingqi Zhao+4 more|arXiv (Cornell University)|Sep 24, 2020

EEG and Brain-Computer Interfaces参考文献 5被引用 7

一句话总结

本文提出 EEGdenoiseNet，一个公开可用的基准数据集，包含 4,514 个干净 EEG 段、3,400 个眼动伪影和 5,598 个肌源性伪影，支持深度学习模型在 EEG 去噪任务中的端到端训练与评估。研究结果表明，深度学习方法在去除眼动伪影和肌源性伪影方面表现优异，即使在高噪声污染条件下亦表现强劲，凸显其在真实世界应用中实现稳健 EEG 信号清洗的潜力。

ABSTRACT

Deep learning networks are increasingly attracting attention in various fields, including electroencephalography (EEG) signal processing. These models provided comparable performance with that of traditional techniques. At present, however, lacks of well-structured and standardized datasets with specific benchmark limit the development of deep learning solutions for EEG denoising. Here, we present EEGdenoiseNet, a benchmark EEG dataset that is suited for training and testing deep learning-based denoising models, as well as for performance comparisons across models. EEGdenoiseNet contains 4514 clean EEG segments, 3400 ocular artifact segments and 5598 muscular artifact segments, allowing users to synthesize contaminated EEG segments with the ground-truth clean EEG. We used EEGdenoiseNet to evaluate denoising performance of four classical networks (a fully-connected network, a simple and a complex convolution network, and a recurrent neural network). Our analysis suggested that deep learning methods have great potential for EEG denoising even under high noise contamination. Through EEGdenoiseNet, we hope to accelerate the development of the emerging field of deep learning-based EEG denoising.

研究动机与目标

• 为解决缺乏标准化、大规模且带有真实干净 EEG 的数据集，以支持基于深度学习的 EEG 去噪模型的训练与评估。
• 提供一个结构清晰、公开可访问的数据集，以支持不同深度学习架构的基准测试。
• 在不同噪声条件下，评估多种深度神经网络（FCNN、CNN、复杂 CNN、RNN）在端到端 EEG 去噪中的性能。
• 通过提供可复现、开放获取的基准，加速深度学习在 EEG 伪影去除领域的研究。

提出的方法

• 数据集通过从多个公开可用的数据仓库中收集并预处理 EEG、EOG 和 EMG 信号构建，确保伦理合规性与信号质量。
• 干净 EEG 段从静息态和任务相关记录中提取，而纯眼动伪影与肌源性伪影则从相同记录中分离。
• 通过在干净 EEG 段中以不同信噪比（SNR）添加 EOG 和 EMG 伪影，合成受污染的 EEG 信号，以实现受控评估。
• 使用合成数据，以监督方式端到端训练四种深度学习模型：全连接网络、简单卷积神经网络、复杂卷积神经网络和循环神经网络。
• 通过标准指标（如 SNR、RMSE 以及预测值与真实干净 EEG 之间的相关性）在多个 SNR 水平下对模型性能进行评估。
• 基准包含多种格式的数据与代码，托管于 GitHub，以确保可复现性并便于未来研究中的集成。

实验结果

研究问题

• RQ1 在采用监督端到端训练范式时，深度学习模型能否有效去除受眼动与肌源性伪影污染的 EEG 信号？
• RQ2 在高噪声污染条件下，模型性能如何随信噪比（SNR）变化？
• RQ3 不同深度学习架构（如 CNN 与 RNN）在从伪影污染信号中恢复干净 EEG 方面的能力有何差异？
• RQ4 在无需任务特定或通道特定微调的情况下，深度学习模型在不同 EEG 类型与伪影特征组合上的泛化能力如何？
• RQ5 所提出的基准数据集在支持开发更稳健、泛化能力更强的 EEG 去噪模型方面，能否在多样化的临床与研究应用中发挥作用？

主要发现

• 即使在低 SNR 水平下，深度学习模型仍表现出强劲的去噪性能，SNR 和 RMSE 指标相比基线方法有显著提升。
• 复杂 CNN 与 RNN 架构优于简单模型，尤其在处理高频肌源性伪影与非平稳噪声模式方面表现更优。
• 随着 SNR 降低，性能有所下降，但深度网络仍能恢复有意义的神经活动，表明其在高噪声污染条件下的鲁棒性。
• 神经网络的 F-原理可解释观察到的趋势：低频分量优先被学习，而高频伪影（如 EMG）更难去除。
• 该基准数据集实现了模型间一致且可复现的评估，结果表明监督式深度学习在 EEG 去噪中极为有效。
• 本研究凸显了深度学习在跨 EEG 类型与伪影混合情况下的泛化潜力，其在处理复杂非线性伪影方面优于传统线性方法。