一个灵活的时空架构设计,用于在EEG中移除人工物,使用任意通道设置

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) 数据容易产生来自各种来源的文物,影响神经科学和临床研究.
• 目前用于EEG拒绝的深度学习方法存在局限性,包括忽视通道间相关性 (单通道) 或通道内时间依赖性 (多通道).
• 现有的方法往往需要固定频道设置,从而限制了它们的现实应用.

研究的目的:

• 开发一个灵活的深度学习架构,以进行强大的EEG器件移除.
• 解决单通道和多通道无声化方法的局限性.
• 提高EEG器件移除在各种环境中的实际应用性.

主要方法:

• 设计了移除文物的时空整合网络 (ASTI-Net),这是一个双分支深度学习模型.
• ASTI-Net采用时空注意力权重来捕捉道间的空间特征和道内的时间特征.
• 嵌入可变形卷曲和通道时间处理,以实现随意EEG通道数的灵活性.

主要成果:

• 与半模拟数据集的现有方法相比,ASTI-Net在删除文物方面表现优异.
• 对实时任务状态EEG数据的定性评估证实了ASTI-Net.Net的有效性.
• 该模型通过整合两个分支机构的特征,成功地恢复了清洁的多通道EEG.

结论:

• ASTI-Net提供了一种灵活有效的EEG器件移除解决方案,克服了以前方法的局限性.
• 该模型处理任意通道设置的能力提高了它在各种研究和临床场景中的适用性.
• ASTI-Net代表了EEG预处理的重大进步,以改善数据质量和分析.