基于深度学习的EEG数据分析技术综述
钟博,王鹏飞,王乙乔,王晓玲

Survey of deep learning based EEG data analysis technology
Bo ZHONG,Pengfei WANG,Yiqiao WANG,Xiaoling WANG
表 2 基于深度学习的EEG信号去噪方法
Tab.2 EEG signal denoising method based on deep learning
名称文献主要贡献网络架构
CNNLSTMGAN
EEGdenoiseNet文献[12]通过构造干净EEG和带有EOG和EMG伪影的数据集,以端到端的方式进行训练,
对EOG和EMG伪影进行去噪.
DenoisingEEG文献[13]
基于GAN,生成器从有噪声的EEG训练数据中进行采样去噪,并将其与
相应的干净EEG信号输入鉴别器中进行比较.
Auto-Denoising文献[14]
引入样本熵和基于能量阈值的数据归一化方法,将图像恢复的思想应用于脑电信号去噪,
使GAN模型中的生成器能够生成平稳的EEG信号.
U-NET文献[15]
将EEG信号转换为图像,使用计算机视觉领域分割经典模型U-NET.
EEGANet文献[16]
针对EOG伪影,不需要专家进行视觉检查或额外的EOG通道,可用于各种
条件下的EEG信号(无眼动、水平眼动、垂直眼动和眨眼)去伪迹.
Novel CNN文献[17]
引入多种网络模块,下采样EEG数据减少参数量、增加特征图数量、
提高网络深度,进而提高特征维度.
1D-ResCNN文献[18]
将使用不同尺度卷积核的残差块组合起来,让模型捕捉更丰富的特征,
使得降噪后 EEG 的非线性特征得到显著保持,提高了在未知噪声下的 EEG 降噪性能.