在EEG信号中实时识别和减轻肌肉工件的onEEGwaveLAD框架
Luca Longo1,2, Richard Reilly2
1The Artificial Intelligence and Cognitive Load Research Lab, Centre of Explainable Artificial Intelligence, Technological University Dublin, D07 EWV4 Dublin, Ireland.
Sensors (Basel, Switzerland)
|August 28, 2025
概括
这项研究引入了一种自动在线消毒器,使用波形变换和机器学习从脑电图 (EEG) 信号中去除肌肉器件. 这种新型系统能够实时清理脑电图数据,提高脑活动研究的信号质量.
科学领域:
- 神经科学
- 信号处理
- 机器学习
背景情况:
- 电脑脑摄影 (EEG) 对于大脑活动研究至关重要,
- 现有的文物移除方法通常是离线的, 需要人为干预.
- 自动化,实时的工件减轻对于推进EEG应用至关重要.
研究的目的:
- 开发一种全新的,完全自动化的在线消噪器,用于识别和减轻EEG信号中的工件.
- 创建一个适应性框架,用于对文物进行特定和上下文依赖的参数实例化.
- 实时识别和移除肌肉工件的框架.
主要方法:
- 使用离散波形转换 (DWT) 来分析EEG数据的时间频率.
- 使用隔离森林算法检测滑动缓冲器中的异常.
- 在返回时间域之前,采用DWT系数的无声化策略.
主要成果:
- 提出的框架成功地识别了脑电图信号中的肌肉运动.
- 该系统在将被人工物污染的EEG转化为更清洁的信号方面表现出有效性.
- 突出了波形变换的影响和实时处理权衡的挑战.
结论:
- 开发的在线基于波纹的自适应变质器显示出对实时EEG工件减轻的承诺.
- 该框架提供了一种灵活的方法,可以适应特定的文物类型和环境.
- 需要进一步的研究来解决波形变换的局限性,并优化实时性能.
