eeg数据集_文章分享 | EEGdenoiseNet: 一个适用于深度学习模型的脑电去噪的基准数据集...

EEGdenoiseNet: 一个应用深度学习于脑电去噪的基准数据集

     深度学习网络越来越受到各个领域的关注，包括脑电图(EEG)的信号处理。这些模型提供了与传统技术相当的性能。 然而，目前缺乏具有特定基准的结构化和标准化数据集，这限制了深度学习解决方案在脑电信号去噪方面的发展 。为此，我们提出了 EEGdenoiseNet，一个基准EEG数据集，适用于训练和测试基于深度学习的去噪模型，以及跨模型的性能比较。EEGdenoiseNet包含4514个干净的脑电图epochs、3400个眼动伪迹epochs和5598个肌电伪迹epochs，允许用户用基准真相(Ground-truth)干净脑电图生成嘈杂的脑电图epochs。我们使用EEGdenoiseNet评估了四个经典网络( 全连接网络、 简单卷积网络、 复杂卷积网络和 循环神经网络)的去噪性能。结果显示，就算EEG信号被噪声严重干扰，深度学习方法也可以有不错的去噪表现。通过EEGdenoiseNet，我们希望加快基于深度学习的脑电信号去噪这一新兴领域的发展。 背景概述

脑电图(EEG)可以感知由灰质中的神经元产生的传导到头皮上的电位变化，这一技术已被证明是研究任务和静息态下大脑活动最重要的直接和非侵入性方法之一。如今，它被广泛用于心理学、神经科学和精神病学，以及脑机接口方向的研究。

脑电图信号不仅包含大脑活动，还包含几种噪声和伪迹，包括眼动伪迹，肌电伪迹，以及较少见的的心电伪迹。因此，使用脑电图数据进行神经活动研究的一个基本步骤是去噪和去伪迹。眼动伪迹和肌电伪迹以不同的方式污染脑电图信号：前者通常在额叶区以相对较大幅值的脉冲形式出现，而后者通常出现在颞叶和枕叶区，并具有较宽的频谱成分。

目前业界已有各种传统的去噪技术，其中，基于回归的方法通过从脑电图数据中减去估计的噪声模板信号来消除伪迹，基于自适应滤波器的方法依赖于根据输入信号对滤波系数的动态估计。盲源分离(Blind source separation)方法将脑电图信号分解成多个成分，将它们分配给神经源和伪迹源，并通过重组神经成分来重建干净的信号。然而，目前广泛使用的盲源分离方法只能在有大量电极可用时使用。深度学习(Deep learninng)网络在过去几年里越来越受到关注。得益于算力和数据集大小的提升，以及新网络架构和学习算法的可用性，深度学习网络可以成功地应用于解决各种技术问题，例如图像处理和自然语言处理。最近，深度学习方法已用于EEG信号分析，如分类、重建和生成。它们也被应用于脑电图去噪，并提供了与传统去噪技术相当的性能。深度神经网络可以学习脑电图中神经振荡的隐藏性质，从而消除不是来自真实神经活动而是来自生物伪迹的电位。深度神经网络的性能从根本上取决于训练数据集和测试数据集的大小。与现有方法相比，深度学习去噪算法的基准数据集至关重要。目前，很少有研究公开原始数据集。这些数据集是在被试处于静息态或执行认知任务和运动相关任务期间收集的。然而，缺乏预处理的脑电信号数据和基准算法在很大程度上限制了用于脑电信号去噪的深度学习方法的发展。

EEGdenoiseNet可用于轻松生成具有特定属性的模拟信号，用于训练和测试基于深度学习的去噪模型，而不需要过多的脑电图数据采集和处理知识。我们的基准测试结果表明，即使在高噪声水平下，深度学习方法也有很大的潜力从脑电图数据中去除眼动和肌电伪迹。我们的研究有望加速基于深度学习的脑电信号去噪领域的发展。

 方法  

这项研究的主要目标是提供用于EEG去噪研究的开放的数据集，其中包含一套脑电图去噪的基准算法。为此，我们首先从几个在线数据集获得了脑电图、眼动伪迹和肌电图的数据epochs。然后，我们准备了两组分别被眼动和肌电伪迹污染的模拟噪声脑电信号。之后，我们对上述四个网络进行了训练和测试。最后，我们评估了网络的性能，并将评估参数定义为基准。

数据采集和预处理 为了提供适合基于深度学习的脑电图去噪研究的数据集，我们从几个公开可用的数据库中获取了脑电图、眼动伪迹和肌电图数据。然后，我们对数据进行预处理，将数据分割成2秒的epoch；随后，我们缩放epochs，并肉眼检查它们，以确保它们是干净的，可以使用；最后，我们将每个类别的epochs上传到一个名为EEGdenoiseNet的公共存储库中。本研究中使用的所有数据都是从开放数据库中获得的，并在以前的研究中使用国。这些研究得到了各自当地伦理委员会的伦理批准，并遵循了2000年修订的1975年赫尔辛基宣言。

图1 获取干净EEG、EOG和MEG的流程

对于脑电图epochs( 图1a)，我们使用了运动想象任务的脑电图数据集。脑电图数据集包含64通道(国际10-10系统，采样率为512Hz)脑电图，既包括左右手的想象运动也包括真实运动。数据经过1至80Hz之间的带通滤波，并通过陷波滤波去除工频干扰，然后重新采样至256Hz；然后使用ICLabel对64通道信号进行处理，以减弱伪迹。然后将脑电信号分割成2秒的epochs。

对于眼动伪迹epochs(图1b)，从开放获取的脑电图数据中收集了多个数据集。数据集的水平和竖直EOG信号在0.3至10Hz之间进行带通滤波，然后重新采样至256Hz；然后信号被分割成2秒的epochs。

对于肌电伪迹epochs(图1c)，使用了面部表面肌电图数据集。我们选择面部肌电信号是因为它们是肌电伪迹的主要来源。肌电信号在1至 120Hz之间进行带通滤波，并通过陷波滤波去除工频干扰，然后重新采样至512Hz；然后信号被分割成2秒钟的epochs。

对于所有类别的epochs࿰