[论文解读] Embedding Decomposition for Artifacts Removal in EEG Signals

Junjie Yu, Chenyi Li+3 more|arXiv (Cornell University)|Dec 2, 2021

EEG and Brain-Computer Interfaces被引用 5

一句话总结

本文提出 DeepSeparator，一种深度学习框架，通过在嵌入空间中使用编码器-解码器架构与专用分解模块，学习实现脑电信号中伪迹的分离。该方法在半合成与真实脑电数据上均优于传统方法，能有效去除眼电（EOG）与肌电（EMG）伪迹，同时通过显式伪迹提取实现更高的可解释性。

ABSTRACT

Electroencephalogram (EEG) recordings are often contaminated with artifacts. Various methods have been developed to eliminate or weaken the influence of artifacts. However, most of them rely on prior experience for analysis. Here, we propose an deep learning framework to separate neural signal and artifacts in the embedding space and reconstruct the denoised signal, which is called DeepSeparator. DeepSeparator employs an encoder to extract and amplify the features in the raw EEG, a module called decomposer to extract the trend, detect and suppress artifact and a decoder to reconstruct the denoised signal. Besides, DeepSeparator can extract the artifact, which largely increases the model interpretability. The proposed method is tested with a semi-synthetic EEG dataset and a real task-related EEG dataset, suggesting that DeepSeparator outperforms the conventional models in both EOG and EMG artifact removal. DeepSeparator can be extended to multi-channel EEG and data of any length. It may motivate future developments and application of deep learning-based EEG denoising. The code for DeepSeparator is available at https://github.com/ncclabsustech/DeepSeparator.

研究动机与目标

• 为解决脑电信号中伪迹污染问题，特别是眼电（EOG）与肌电（EMG）伪迹，这些伪迹会降低信号质量与分析准确性。
• 克服传统伪迹去除方法依赖先验假设、线性变换或外部参考信号的局限性。
• 开发一种具备高可解释性与泛化能力的深度学习模型，用于脑电去噪，无需手动设计特定伪迹的滤波器。
• 实现端到端、自动化的伪迹去除，同时在不同信噪比与数据长度下保持神经信号完整性。
• 提供可扩展、灵活的框架，适用于单通道与多通道脑电数据，支持任意长度输入，为脑机接口与临床神经科学应用提供支持。

提出的方法

• DeepSeparator 采用端到端架构，包含三个主要组件：编码器用于提取并增强原始脑电信号中的特征，分解模块用于在嵌入空间中检测并抑制伪迹，解码器用于重建去噪后的信号。
• 模型采用一种新颖的训练策略，同时引入原始脑电、眼电与肌电信号，使网络能够在无需外部参考信号的情况下学习伪迹的内在特征。
• 分解模块在学习到的嵌入空间中运行，支持非线性分离伪迹与神经活动，从而在性能上优于线性方法（如 ICA）。
• 该框架可扩展至多通道脑电数据，并支持任意长度的输入信号，适用于多种脑电数据集。
• 通过显式提取并隔离伪迹成分，增强了模型的可解释性，这些成分在潜在空间中可被可视化与分析。
• 训练过程为完全监督，无需手动设定阈值或对伪迹的频谱或时域特性做出先验假设。

实验结果

研究问题

• RQ1 深度学习模型是否能在不依赖先验假设或参考信号的情况下，有效分离脑电信号中的眼电（EOG）与肌电（EMG）伪迹？
• RQ2 与 ICA、EMD 和 CCA 等传统方法相比，所提出的 DeepSeparator 框架在伪迹去除任务中的性能如何？
• RQ3 与标准深度学习模型相比，该模型的可解释性提升程度如何，特别是通过潜在空间中显式伪迹提取？
• RQ4 DeepSeparator 在不同信噪比与不同类型脑电数据（包括半合成与真实任务相关数据集）下的鲁棒性如何？
• RQ5 该框架能否扩展至多通道脑电与任意长度信号，同时保持高去噪性能与低计算成本？

主要发现

• DeepSeparator 在半合成与真实脑电数据集上，对眼电（EOG）与肌电（EMG）伪迹的去除效果显著优于传统方法（如 ICA、EMD 与 CCA）。
• 该模型在多个信噪比（SNR）水平下均表现出优越的去噪性能，显示出在噪声环境下的鲁棒性。
• 分解模块成功在嵌入空间中检测并抑制了伪迹，视觉分析表明编码器增强了相关信号特征，而解码器重建了干净的神经活动。
• 该框架支持显式提取伪迹成分，相比黑箱式深度学习模型，显著提升了模型可解释性。
• DeepSeparator 在单通道脑电数据上保持高性能，并可扩展至多通道数据，支持任意输入长度。
• 尽管具备诸多优势，该模型在 EMG 污染信号中表现出对高频成分的抑制倾向，表明未来在高频成分保留方面仍有改进空间。