| 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. | √ | — | — |