【每天一篇深度学习论文】即插即用CLEEGN模块：自动化EEG去伪影与重建

论文介绍

题目：

CLEEGN: A Convolutional Neural Network for Plug-and-Play Automatic EEG Reconstruction

论文地址：

https://arxiv.org/pdf/2210.05988v2.pdf

创新点

• 自动化EEG重建模型：提出了CLEEGN，一个轻量级卷积神经网络，能够完全自动化地进行EEG重建，从而去除伪影，提升信号质量。
• 无需校准的即插即用设计： CLEEGN是一个基于预训练模型的设计，能够实现跨被试的通用性，免去了针对每个用户的个性化校准，适用于实时信号处理和在线场景。
• 高效的去伪影性能：该模型在EEG解码准确率上优于传统的伪影去除方法，且不依赖手工标记或复杂的人工调整，展示了在去除伪影的同时保留脑活动信息的能力。

方法

整体结构

CLEEGN模型是一个基于编码器-解码器的轻量级卷积神经网络，通过多层卷积结构来自动去除EEG信号中的伪影。编码器部分提取信号的空间和时间特征，而解码器则将这些特征重建为无伪影的EEG信号。在每层卷积层之后使用零填充和批归一化，以确保信号在去伪影过程中保持一致性并提升训练效率，实现了无需个性化校准的即插即用EEG重建。

• 编码器：编码器部分包含多个卷积块，主要用于提取EEG信号中的空间和时间特征。最初的卷积层提取空间特征，每个空间滤波器与EEG通道数量一致。接下来的层交换信号的维度，以便捕获时序信息，使用带有较大时间窗口的卷积层来提取时间特征。这种层设计考虑到了EEG信号的空间和时间结构。
• 解码器：解码器部分与编码器对称，由多个卷积块组成，用于将编码后的特征重建回无伪影的EEG信号。解码器的第一个卷积层使用时间滤波器来解码时间特征，随后通过空间滤波器还原空间信息，最终将信号还原到时间域。
• 零填充和批归一化：为了保持输入和输出的一致性，每层卷积层除了第一层之外都使用了零填充。同时在每个卷积层之后使用批归一化，以增强梯度的稳定性，优化网络的训练效率。

即插即用模块作用

cleegn 作为一个即插即用模块，主要适用于：：

• 无需校准的自动化去伪影：能够在无需个体化校准的情况下，对新的EEG数据进行伪影去除，使系统更具通用性和便捷性。
• 提高EEG解码准确性：通过高效去除伪影，保留关键的脑活动信息，从而提升EEG信号的解码准确性，助力相关应用的精确度和稳定性。
• 便于实时应用：由于其轻量化设计，CLEEGN在复杂场景中也能保持计算效率，适合实时EEG处理需求。

消融实验结果

• 评估了不同神经网络去伪影方法的整体性能，包括 CLEEGN 模型与其他基准模型的均方误差 (MSE)、参数数量、和 AUC 指标。结果表明 CLEEGN 模型在 MSE 值上最低，在 AUC 分数上最高，说明它在去伪影的同时能够更好地保留脑活动信息，优于其他对比模型。

即插即用模块代码

import torch
import torch.nn as nn
#论文：CLEEGN: A Convolutional Neural Network for Plug-and-Play Automatic EEG Reconstruction
#论文地址：https://arxiv.org/pdf/2210.05988v2.pdf

class Permute2d(nn.Module):
    def __init__(self