DHCT-GAN:通过双分支混合CNN-变压器网络改进EEG信号质量

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 信号处理 信号处理

背景情况:

• 脑电图 (EEG) 信号对于研究大脑活动和神经系统疾病至关重要.
• 生理学文物经常污染EEG数据,妨碍准确的分析和诊断.
• 现有的EEG拒绝的深度学习方法主要集中在清洁的信号特征上,忽视了对文物特定的知识.

研究的目的:

• 开发一种新的深度学习模型,DHCT-GAN,用于有效的EEG信号消噪.
• 将从文物研究中获得的跨学科知识融入到EEG报道中.
• 通过保留基本信号特征,同时去除人工物来提高EEG信号分析的准确性.

主要方法:

• 开发了DHCT-GAN,这是一种用于EEG消噪的双分支混合网络架构.
• 从清洁的EEG信号和文物信号中独立学习的特征.
• 融合功能使用自适应式门网来移除文物和保存信号.

主要成果:

• 与最先进的网络相比,DHCT-GAN在删除各种文物方面表现出卓越的性能.
• 波形分析,PSD分析和六个性能指标证实了DHCT-GAN的有效性.
• 废弃实验表明,混合模型的表现优于单分支模型,突出显示了文物知识的价值.

结论:

• DHCT-GAN在EEG无声技术方面取得了重大进展.
• 将文物特定的知识集成到深度学习模型中,可以提高揭露的有效性.
• 拟议的模型准确地保留了EEG信号特征,同时有效地去除了人工物,有利于神经学研究和诊断.