[论文解读] Machine Learning for removing EEG artifacts: Setting the benchmark

Subhrajit Roy|arXiv (Cornell University)|Mar 19, 2019

EEG and Brain-Computer Interfaces参考文献 5被引用 9

一句话总结

本论文基于全球最大的开源EEG伪影数据集（NEDC TUH），首次建立了自动化EEG伪影识别的基准。该研究在六类分类任务（五类伪影类型和一个无伪影类）上评估了多种机器学习模型（从LDA到XGBoost），其中LDA模型取得最高加权-F1分数0.8012，但对颤抖伪影的检测性能仍较低（敏感度：2.50%）。

ABSTRACT

Electroencephalograms (EEG) are often contaminated by artifacts which make interpreting them more challenging for clinicians. Hence, automated artifact recognition systems have the potential to aid the clinical workflow. In this abstract, we share the first results on applying various machine learning algorithms to the recently released world's largest open-source artifact recognition dataset. We envision that these results will serve as a benchmark for researchers who might work with this dataset in future.

研究动机与目标

• 基于大规模、开源数据集，建立自动化EEG伪影识别的性能基准。
• 解决以往EEG伪影检测研究因数据集封闭或规模小而导致的可复现性差的问题。
• 在六类EEG伪影分类任务上评估多种机器学习算法，包括伪影类和非伪影类（无伪影）类。
• 通过自动化伪影检测减少人工工作量和错误，提升临床EEG分析效率。
• 识别模型局限性，特别是对罕见或细微伪影（如颤抖）的检测能力。

提出的方法

• 本研究使用NEDC TUH EEG伪影语料库，包含213名患者的259个会话，共66,638秒EEG数据，涵盖五类伪影类型和一个无伪影类。
• 数据按患者级别划分为60%训练集、20%验证集和20%测试集，以确保模型在患者间的泛化能力。
• 将原始EEG信号转换为22通道的经颅中顶（TCP）导联体系，以增强尖波检测能力。
• 特征提取方面，对1秒长的EEG片段（所有通道间75%重叠）计算快速傅里叶变换（FFT）。
• 频谱特征截取1–24 Hz范围，对频率段进行归一化，并用于计算22×22相关矩阵。
• 将相关矩阵右上三角区域的特征值绝对值作为监督学习模型的输入特征。

实验结果

研究问题

• RQ1 在目前公开可用的最大EEG伪影识别数据集上，多种机器学习算法的性能如何？
• RQ2 当采用患者级别划分时，模型在跨患者数据上的泛化能力如何？
• RQ3 哪种机器学习模型在六类EEG伪影分类任务中实现了最高的加权化-F1分数和准确率？
• RQ4 为何某些伪影类型（尤其是颤抖）的检测敏感度显著偏低？
• RQ5 通过HyperOpt进行超参数优化，能否提升模型在该类别不平衡数据集上的性能？

主要发现

• 线性判别分析（LDA）在整体指标上表现最佳，加权化-F1分数达0.8012，准确率为71.43%，优于其他模型。
• 颤抖伪影是最难检测的类型，所有模型的敏感度仅为2.50%，表明存在显著的检测盲区。
• k-最近邻（k-NN）在咀嚼伪影检测中敏感度最高（86.07%），表明其对这类伪影特别有效。
• XGBoost和随机梯度下降（SGD）分类器表现良好，加权化化-F1分数分别为0.7996和0.7887，且对无伪影类的敏感度较高（分别为71.90%和70.36%）。
• 尽管整体性能较高，模型在罕见或低幅值伪影（尤其是颤抖）上仍表现不佳，凸显了对特征工程或数据增强技术的改进需求。
• 训练过程中采用欠采样处理类别不平衡问题可提升泛化能力，但无法完全解决如颤抖等少数类的检测难题。