.png){kind=icon}
返回
Task-Oriented Learning for Automatic EEG Denoising
.png){kind=icon}
PRE
AI
DOI：10.1109/TIM.2026.3667226.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
脑电图（EEG）去噪方法通常依赖于人工干预或干净的参考信号。本研究介绍了一种面向任务的自主学习框架，用于在无干净参考信号的情况下仅使用任务标签进行自动EEG去噪。首先，EEG记录基于盲源分离（BSS）技术分解为各分量。随后，一个基于学习的选择器为每个分量分配保留概率，去噪信号被重构为概率加权的组合。一个下游代理任务模型评估重构信号，其任务损失通过仅依赖任务标签的协同优化方案监督选择器，消除了对干净EEG参考的需求。在涵盖两种范式和多种噪声条件的三个数据集上的实验表明，在标准信号质量指标下，任务准确率平均提升2.59%，信噪比（SNR）提高0.80 dB。进一步分析表明，该面向任务的自主学习框架与算法无关，因为它能够适应选择器和代理模型中多样的分解技术与网络骨干。这些结果表明，所提出的框架仅使用任务标签即可实现EEG去噪，支持其在神经科学研究及基于EEG的交互系统中的潜在应用价值。
Keyword:
Electroencephalogram (EEG) analysis
signal denoise
期刊
IF:
5.9
论文数:
2.0W
被引数:
5.8W
机构
引用论文
A Comparison Study of Canonical Correlation Analysis Based Methods for Detecting Steady-State Visual Evoked Potentials.png)
PLOS ONE
OAAI
PLOS ONEIF0
OAAI分享收藏
查看更多内容