ReHA-Net:一个ReVIN混合注意力网络,具有多尺度卷积,用于在脑-计算机接口中强大的EEG人工物清除
1Department of Data Science and Business Systems, School of Computing, SRM Institute of Science and Technology, Kattankulathur, Tamil Nadu, India. nf5767@srmist.edu.in.
Scientific reports
|December 4, 2025
概括
作为一个深度学习框架的ReHA-Net有效地从脑电图 (EEG) 信号中去除了物体. 这种强大的脑电图解读方法可以保护神经活动,改善各种应用中的大脑监测.
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
- 人工智能的人工智能
背景情况:
- 电脑电图 (EEG) 对于监测大脑活动至关重要,但由于人工制造物而导致信号退化.
- 眼睛运动,肌肉活动和环境噪音通常会污染EEG信号,阻碍准确的分析.
- 现有的denoising方法往往难以平衡移除文物与保存重要的神经信息.
研究的目的:
- 开发一个强大的深度学习框架,ReHA-Net,用于有效的脑电图 (EEG) 信号消噪.
- 提高EEG数据的信号噪声比和质量,以改善下游应用.
- 为了创建一个通用的消毒解决方案,保持主体特定的神经特征.
主要方法:
- 实现了一个基于U-Net的编码器-解码器架构,结合了三个新的模块:混合注意力,多尺度可分离卷积 (MSC) 和可逆实例规范化 (ReVIN).
- 混合注意力模块集成了时间,空间和频率注意力机制,以区分神经模式与结构化噪音.
- MSC块使用扩展和并行深度可分离的卷积来捕捉不同的时间依赖,而ReVIN则有助于跨主题的概括.
主要成果:
- ReHA-Net表现出优异的消噪性能,达到27.10dB的峰值信号对噪声比 (PSNR) 和大约17.06dB的信号对噪声比 (SNR).
- 该框架以0.976的高相关系数实现了干净信号和0.165.16的较低的相对根平均平方误差 (RRMSE).
- 该模型成功地减少了文物,同时保留了关键的神经活动,超过了现有的方法.
结论:
- ReHA-Net提供了一种强大而有效的解决方案,用于电脑电图 (EEG) 器件的移除.
- 该框架保存神经信号的能力使其成为临床和研究应用的有价值的预处理工具.
- ReHA-Net显示了增强发作检测,认知状态监测和脑计算机接口等任务的巨大潜力.
