[论文解读] A novel convolutional neural network model to remove muscle artifacts from EEG

Haoming Zhang, Wei Chen+3 more|arXiv (Cornell University)|Oct 22, 2020

EEG and Brain-Computer Interfaces参考文献 20被引用 9

一句话总结

该论文提出了一种新型的一维卷积神经网络（CNN），通过逐步增加特征图并进行时间域下采样，有效去除了脑电信号中的肌电伪影。通过分层特征学习和平均池化缓解过拟合问题，该模型在 EEGdenoiseNet 数据集上的表现显著优于四种基准网络，实现了最低的 RRMSE 和最高的相关系数，尤其在高噪声条件下表现突出。

ABSTRACT

The recorded electroencephalography (EEG) signals are usually contaminated by many artifacts. In recent years, deep learning models have been used for denoising of electroencephalography (EEG) data and provided comparable performance with that of traditional techniques. However, the performance of the existing networks in electromyograph (EMG) artifact removal was limited and suffered from the over-fitting problem. Here we introduce a novel convolutional neural network (CNN) with gradually ascending feature dimensions and downsampling in time series for removing muscle artifacts in EEG data. Compared with other types of convolutional networks, this model largely eliminates the over-fitting and significantly outperforms four benchmark networks in EEGdenoiseNet. Our study suggested that the deep network architecture might help avoid overfitting and better remove EMG artifacts in EEG.

研究动机与目标

• 为解决传统方法和现有深度学习方法在脑电信号中持续存在的肌电伪影去除难题。
• 克服先前用于脑电去噪的CNN架构在肌电（EMG）伪影背景下出现的过拟合和泛化能力差的问题。
• 设计一种深层CNN架构，通过在时间域中逐步增加特征图维度并进行下采样，以增强特征提取能力和泛化性能。
• 在 EEGdenoiseNet 数据集上评估所提模型与现有基准模型的性能，重点关注肌源性伪影的去除效果。
• 证明CNN架构的创新可显著提升脑电信号去噪性能，尤其在EMG污染严重的复杂场景下。

提出的方法

• 模型采用七个堆叠的1D卷积层块，每块使用1×3卷积核、ReLU激活函数，并通过大小为2的1D平均池化层对信号进行下采样以减少参数量。
• 各块的特征图数量从32呈指数级增长至2048，以支持分层特征学习并提升表征能力。
• 最后一层块包含一个展平层和一个包含1024个单元的全连接层，以匹配输入脑电信号的维度，实现信号重建。
• 训练数据通过在-7 dB至2 dB之间的随机信噪比下混合干净脑电与肌电信号生成，采用线性混合方式（y = x + λ·n），信噪比通过均方根比值计算。
• 网络通过最小化预测结果与真实干净脑电信号之间均方误差（MSE）的损失函数进行训练。
• 采用10折数据划分：80%用于训练（4478对），10%用于验证（560对），10%用于测试（560对），各集合数据扩展至每组5600个时序样本。

实验结果

研究问题

• RQ1 具有递增特征图和时间域下采样的深度CNN是否能在去除脑电信号肌电伪影方面优于现有CNN？
• RQ2 通过逐步增加特征维度并使用平均池化的设计是否能减少过拟合并提升脑电信号去噪中的泛化能力？
• RQ3 在不同信噪比条件下，所提模型与基准网络（FcNN、简单CNN、复杂CNN、RNN）在去噪精度上的表现如何比较？
• RQ4 该模型是否在不同噪声水平下均保持优越性能，尤其在传统方法失效的高噪声条件下？
• RQ5 尽管存在频谱重叠，该架构能否有效分离神经信号与肌源性伪影？

主要发现

• 所提出的新型CNN在平均RRMSE_t（0.448）和RRMSE_f（0.442）上均达到最低值，且平均相关系数最高（CC = 0.863），显著优于所有四种基准网络。
• 在高噪声和中等噪声水平下（SNR ≤ 0 dB），新型CNN在三项指标上均表现最佳：RRMSE最低，相关系数最高。
• 在低噪声水平下（SNR = 2 dB），FcNN和RNN在RRMSE_t和RRMSE_f上略优于新型CNN，但新型CNN仍保持最高的相关系数（0.863）。
• 训练与测试损失曲线显示，新型CNN具有最低的测试损失，且训练与测试损失之间的差距最小，表明其具备出色的泛化能力且过拟合程度极低。
• 模型损失随训练轮次稳定下降，测试损失达到最低值，证实了训练过程的稳定性和有效性。
• 该架构的设计——逐步增加特征图数量并结合平均池化——成功缓解了过拟合问题，而此前的CNN架构则普遍面临严重的泛化问题。