脑电分析——学习笔记

学习内容

① EEGANet: Removal of Ocular Artifacts From the EEG Signal Using Generative Adversarial Networks

EEGANet 是一种基于 生成对抗网络（GAN）的脑电信号眼动伪迹去除方法。主要的贡献和特点：

（1）问题背景：

• EEG 数据中，眼动伪迹严重影响信号分析，尤其是用于脑机接口应用时。
• 传统的方法需要 EOG 信号 或 眼动检测算法 ，增加实现复杂性。

（2）方法创新

• EEGANet 使用 GAN 来学习去除眼动伪迹的映射，无需依赖 EOG 或眼动检测。

（3）模型能力

• 能生成多通道 EEG 信号。
• 在眼动伪迹去除上，与依赖 EOG 的传统方法性能接近。
• EEGANet 处理后的信号分类性能与传统方法相当，即使没有 EOG 信号。

本周实践内容：

• 上周：运行代码，输出原图像与去伪迹后的图像对比。

• 本周：导出模型处理后的数据并保存。

  • 过程：
  • 1. 将原 .edf 文件转为 .npy 文件（符合模型输入格式）。
  • 2. 模型要求 58 通道，而我们的数据只有 36 通道，于是补零到 58 通道。
  • 3. 输入模型进行去伪迹处理。
  • 4. 模型输出 .npy 文件后，删除多余 22 个通道，恢复到 36 通道。
  • 5. 转回 .edf 文件，并输出为 .csv。

• 问题：目前生成的结果看起来不太正确

② Adaptive Single-Channel EEG Artifact Removal With Applications to Clinical Monitoring

论文的主要内容：

• 提出 WQN（Wavelet Quantile Normalization）方法，针对单通道 EEG 信号进行自适应伪迹去除 。
• 利用小波分解将信号分解到不同频带，通过分位数归一化去除异常波动。
• 可实时抑制肌电、运动及眼动伪迹，无需多通道或参考通道。

实践过程：

• 复现结果如下：（但复现好之后发现它是针对单通道的，不知道需不需要再进一步深入）

学习感受

通过本周的实践，我比较深入的了解了复现代码的步骤。在实际操作中，我体会到数据预处理、通道对齐及模型输出处理等细节对最终结果影响很大，感受到每一个步骤的细微操作都可能导致结果偏差，这让我认识到在 EEG 信号处理与代码的复现中，细节是非常重要的。