一个基于多尺度卷积神经网络和双向封闭循环单元的混合网络,用于EEG无声化

科学领域:

• 神经科学是一个神经科学.
• 信号处理 信号处理
• 人工智能的人工智能

背景情况:

• 电脑电图 (EEG) 信号包含重要的大脑信息,但通常会被人工制造物损坏.
• 诸如电肌图和电眼图干扰等人工物损害了EEG数据的可靠性.
• 当前的深度学习方法,特别是CNN,在有效的文物移除方面,与多个规模和时间依赖的特性作斗争.

研究的目的:

• 引入一个新的混合深度学习网络,MSCGRU,用于增强EEG工件的杀.
• 解决现有方法在捕获多尺度和时间EEG特征方面的局限性.
• 提高EEG信号处理的准确性和可靠性,用于神经科学研究和临床应用.

主要方法:

• 开发了一个多尺度卷积门循环单元 (MSCGRU) 网络,一个增强的生成对抗网络.
• 包含一个多尺度卷积模块,用于从EEG中提取各种频率特征.
• 利用道注意力机制来完善特征可区分性和双向门循环单元 (BiGRU) 来提取时间依赖.

主要成果:

• 与其他模型相比,MSCGRU在消除电肌图文物方面的表现优越.
• 获得了0.277±0.009的相对根平均平方误差和0.943±0.004.4的相关系数.
• 获得的信号噪声比为12.857±0.294,表明信号质量的显著改善.

结论:

• 拟议的MSCGRU网络通过解决多尺度和时间特征提取方面的局限性,有效地重建清洁的EEG信号.
• MSCGRU的性能优于现有的物件移除模型,在EEG信号处理方面提供了有前途的进步.
• 这种方法有可能显著有利于基于EEG的诊断和治疗策略.