EEGPARnet:时间频率注意力转换器编码器和GRU解码器,用于从EEG信号中移除眼睛和肌肉器件

科学领域:

• 生物医学工程 生物医学工程
• 信号处理 信号处理
• 人工智能的人工智能

背景情况:

• 脑电图 (EEG) 信号中的生理工件使分析复杂化.
• 深度学习在删除文物方面表现出色,但通常需要大量的计算资源.
• 资源有限的平台面临的挑战是部署复杂的深度学习模型来实现实时EEG拒绝.

研究的目的:

• 提出一个高效的深度学习网络,EEGPARnet,以减轻EEG信号中的生理工件.
• 为实际部署开发一种平衡高性能与降低计算复杂性的模型.
• 为了在具有有限计算能力的设备上实现实时EEG器件移除.

主要方法:

• 开发了EEGPARnet,这是一个新的无声网络,将变压器编码器与时间和光谱注意力模块集成在一起.
• 包含基于Gated Recurrent Unit (GRU) 的解码器,以捕获时间频率的远程相似性.
• 使用EEGDenoiseNet数据集进行实验验证和性能评估.

主要成果:

• 获得了0.289的平均时间相对RMSE和0.312的光谱相对RMSE,用于眼部人工物去除,CC为0.942.
• 在肌肉人工物去除方面表现出具有竞争力的结果 (平均RMSE为0.458和0.428,CC为0.855).
• 与最先进的模型相比,EEGPARnet显著减少了可训练的参数,FLOPS和存储大小.

结论:

• EEGPARnet有效地从EEG信号中去除眼睛和肌肉的器件.
• 拟议的架构可显著降低计算复杂性,使其适用于资源有限的设备.
• EEGPARnet代表了迈向实时,高性能EEG拒绝应用程序的一步.