[论文解读] A real-time noise cancelling EEG electrode employing Deep Learning

Henry Cowan, Sama Daryanavard+2 more|arXiv (Cornell University)|Nov 6, 2020

EEG and Brain-Computer Interfaces参考文献 49被引用 4

一句话总结

本文提出了一种基于深度学习的实时脑电信号降噪系统，采用定制的3D打印柔性电极，利用参考噪声信号持续学习并抑制非平稳伪影。该方法在信噪比方面平均提升了20 dB，有效减少了脑电信号记录中的眨眼和肌电伪影。

ABSTRACT

Measurements are often contaminated with large amounts of non-stationary noise which require effective noise reduction techniques. We present a new deep learning algorithm which learns continuously in real-time while filtering the data. The algorithm requires a reference noise signal alongside the noisy signal itself. As a poof of concept we demonstrate its performance by reducing noise in electroencephalogram (EEG) with the help of a custom 3D printed compound electrode using flexible materials. With this setup we achieved an average of 20dB improvement of the signal to noise ratio of the EEG for both removing eye-blink and muscle-artefacts. This concept has the potential to not only improve the signal to noise ratio of EEG but can be applied to a wide range of industrial and consumer applications such as industrial sensing or noise cancelling headphones.

研究动机与目标

• 为解决脑电信号测量中非平稳噪声的问题，此类噪声会降低信号质量并限制其在临床和研究中的应用价值。
• 开发一种能够从噪声信号和参考噪声信号中持续学习的实时噪声消除系统。
• 证明将深度学习与定制的3D打印柔性电极相结合，可提升脑电信号采集性能的可行性。
• 验证系统在减少常见生理伪影（如眨眼和肌肉运动）方面的性能。

提出的方法

• 该系统采用深度学习模型，通过主脑电信号和参考噪声信号实时学习噪声模式。
• 参考信号通过一种定制的3D打印复合电极捕获，该电极由柔性材料制成，集成了脑电信号和噪声参考信号的采集功能。
• 深度学习模型在运行过程中持续自适应，可有效过滤非平稳噪声，且无需预先校准。
• 该架构专为低延迟推理设计，以支持实时脑电信号处理。
• 该方法使用混入眨眼和肌电伪影噪声的脑电数据进行评估。
• 信噪比（SNR）的提升作为主要性能指标进行量化。

实验结果

研究问题

• RQ1 深度学习模型能否有效利用参考信号在脑电信号记录中实时学习并消除非平稳噪声？
• RQ2 集成参考传感功能的定制3D打印电极在多大程度上能提升脑电信号质量？
• RQ3 所提出的方法在实时脑电数据中减少眨眼和肌电伪影方面的有效性如何？
• RQ4 该系统是否能在无需重新训练的情况下，在不同噪声条件下保持一致的性能？

主要发现

• 所提出的深度学习系统在混入眨眼伪影的脑电信号中，平均实现了20 dB的信噪比（SNR）提升。
• 同一系统在混入肌电伪影的脑电信号中，也实现了平均20 dB的SNR提升。
• 实时学习能力使系统能够持续适应变化的噪声特性，且无需重新训练模型。
• 定制的3D打印柔性电极成功集成了脑电和参考噪声传感功能，支持实际部署。
• 该方法在不同类型非平稳生理噪声下表现出稳健性能。
• 该方法在脑电以外的领域也展现出广阔应用潜力，包括工业传感和消费音频设备。