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. | √ | — | — |