A Knowledge Distillation Framework For Enhancing Ear-EEG Based Sleep Staging With Scalp-EEG Data
University of Moratuwa（莫拉图瓦大学）；Harvard University（哈佛大学）；Aarhus University（奥胡斯大学）；Florida International University（佛罗里达国际大学）
睡眠在人类生活中起着至关重要的作用。使用多导睡眠图的传统睡眠研究与不适相关，并且通常由采集设置引起的睡眠质量较低。以前的工作集中在开发不那么突兀的方法来进行高质量的睡眠研究，而耳脑电图是流行的替代方法之一。然而，基于耳脑电的睡眠分期的性能仍然不如基于头皮脑电的睡眠分期。为了解决头皮脑电和耳脑电睡眠分期之间的性能差距，我们提出了一个跨模态的知识蒸馏策略，这是一个领域的适应方法。我们的实验和分析验证了所提出的方法与现有架构的有效性，其中它提高了3.46%和科恩的kappa系数的利润率的基于耳EEG的睡眠分期的准确性为0.038。
2022-10-27 cs.LG eess.SP
EEG-GCNN: Augmenting Electroencephalogram-based Neurological Disease Diagnosis using a Domain-guided Graph Convolutional Neural Network
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本文提出了一种新的基于图卷积神经网络（GCNN）的方法，用于改善使用头皮脑电图（EEG）的神经系统疾病的诊断。虽然EEG是用于神经系统疾病诊断的主要测试之一，但基于EEG的专家视觉诊断的灵敏度保持在$\sim$ 50\%。这表明，一个明确的需要先进的方法，以减少检测异常头皮脑电图的假阴性率。在这种情况下，我们专注于区分神经系统疾病患者的异常头皮脑电图的问题，这些患者最初被专家归类为“正常”，从健康个体的头皮脑电图。本文的贡献有三个方面：1）我们提出了EEG-GCNN，一种用于EEG数据的新型GCNN模型，它捕获了头皮电极之间的空间和功能连接，2）使用EEG-GCNN，我们对上述假设进行了第一次大规模评估，以及3）使用两个大型头皮EEG数据库，我们证明了EEG-GCNN显著优于人类基线和经典机器学习（ML）基线，AUC为0.90。
2020-11-17 cs.LG eess.SP
Mobile BCI dataset of scalp- and ear-EEGs with ERP and SSVEP paradigms while standing, walking, and running
我们提出了一个移动数据集，从脑电图（EEG）的头皮和周围的耳朵，以及从运动传感器由24名参与者在四个不同的速度移动，同时执行两个脑机接口（BCI）的任务。数据收集自32通道头皮EEG、14通道耳EEG、4通道眼电图和放置在前额、左踝和右踝的9通道惯性测量单元。记录条件如下：分别以0、0.8、1.6和2.0m/s的速度站立、慢速行走、快速行走和轻微跑步。对于每种速度，记录两种不同的BCI范式，事件相关电位和稳态视觉诱发电位。为了评估信号质量，头皮和耳朵EEG数据进行了定性和定量验证，在每个速度。我们相信，该数据集将促进脑机接口在不同的移动环境中分析大脑活动和定量评估的性能，扩大实用脑机接口的使用。
2021-12-08 cs.HC eess.SP
Prediction of Memory Retrieval Performance Using Ear-EEG Signals
许多研究探索了记忆任务执行过程中的大脑信号，以预测后来记住的项目。然而，预测方法在现实生活中仍然很少使用，并且由于使用从头皮记录的脑电图（EEG）而不实用。耳脑电图最近已被用于测量大脑信号，由于其灵活性时，将其应用到现实世界的环境。在这项研究中，我们试图预测是否显示的刺激将被记住或忘记，使用耳脑电图，并比较其性能与头皮脑电图。结果表明，耳脑电与头皮脑电无显著性差异。此外，使用卷积神经网络获得了更高的预测精度（前刺激：74.06%，正在进行的刺激：69.53%），并与其他基线方法进行了比较。这些结果表明，它是可能的预测性能的记忆任务，使用耳脑电信号，它可以用于预测记忆检索在一个实际的脑-机接口。
2020-05-08 eess.SP
Explainable Interictal Epileptiform Discharge Detection Method Based on Scalp EEG and Retrieval-Augmented Generation
Nanjing University of Chinese Medicine（南京中医药大学）；Wuhan Children’s Hospital（武汉市妇女儿童医疗保健中心（武汉儿童医院））；Zhengzhou University of Light Industry（郑州轻工业大学）
本文提出了一种基于头皮 EEG 和检索增强生成的可解释性癫痫发作前放电检测方法，通过双编码器和对比学习提升诊断性能和临床可解释性。
2026-02-15 eess.SP
Sub-Scalp Brain-Computer Interface Device Design and Fabrication
针对现有设备缺乏BCI适配性的问题，本研究提出符合通道数等规格的SAFE系统，验证其低噪声性能，为家用BCI人体试验奠定基础，助力肢体残疾人士。
2025-04-17 eess.SP
Characterization of Speech Imagery in Scalp EEG and Comparison with Motor Imagery
KU Leuven（荷语鲁汶大学）；Shanghai Advanced Research Institute, Chinese Academy of Sciences（中国科学院上海高等研究院）
本研究通过头皮脑电分析言语想象的时空特征，并与手指运动想象对比，发现言语想象呈现更弱、更分散的α波增强，分类准确率较低，表明其主导模式不同于运动想象，更接近非发音任务相关活动。
2026-08-04 eess.SP
Multi-center validation study of automated classification of pathological slowing in adult scalp electroencephalograms via frequency features
脑电图（EEG）中的病理性减慢被广泛研究用于神经系统疾病的诊断。目前，减慢检测的金标准是专家对EEG的视觉检查，这是耗时且主观的。为了解决这些问题，我们提出了三种自动化方法来检测EEG中的减慢：基于身份的检测系统（TDS），基于浅层学习的检测系统（SLDS）和基于深度学习的检测系统（DLDS）。这些系统在通道、段和EEG水平上进行评估。TDS、SLDS和DLDS通过检测各个通道处的减慢来执行预测，并且这些检测被布置在直方图中以用于在分段和EEG级别检测减慢。我们通过Leave-One-Subject-Out（LOSO）交叉验证（CV）和Leave-One-Institution-Out（LOIO）CV对来自美国，新加坡和印度的四个数据集进行了评估。DLDS获得了最佳的总体结果：通道、节段和EEG水平的LOIO CV平均平衡准确度（BAC）分别为71.9%、75.5%和82.0%，通道、节段和EEG水平的LOSO CV平均BAC分别为73.6%、77.2%和81.8%。渠道级和细分级的绩效与专家的评估者内一致性（IRA）（72.4%和82%）相当。DLDS可以在4秒内处理30分钟的EEG，并可用于协助临床医生解释EEG。
2021-01-27 eess.SP
A Framework to Evaluate Independent Component Analysis applied to EEG signal: testing on the Picard algorithm
独立分量分析（ICA）是一种盲源分离方法，其越来越多地用于分离脑电图（EEG）和其他电生理记录中的脑和非脑相关活动。它可用于提取有效的大脑源活动并估计其皮层源区域，并且通常用于机器学习应用中对EEG伪影进行分类。在此之前，我们比较了使用22 ICA和其他盲源分离（BSS）算法分解13个71通道头皮EEG数据集的结果。我们现在正在向科学界提供这个框架，并且在其发布过程中正在测试一种未包含在先前分析中的最新ICA算法（Picard）。我们的测试框架使用三个主要指标来评估BSS性能：头皮通道对之间的成对互信息（PMI）;分解后组件对之间剩余的PMI;以及每个算法产生的完整（非成对）互信息约简（MIR）。我们还测量了“偶极”的头皮投影图的分解组件，定义的组件的数量，其头皮投影图几乎匹配的一个等效偶极子的投影。在这个框架内，Picard的表现与Infomax ICA相似。这并不奇怪，因为Picard是一种Infomax算法，它使用L-BFGS方法来实现更快的收敛，而Infomax和Extended Infomax（runica）使用梯度下降。我们的研究结果表明，Picard执行类似Infomax，同样，优于其他BSS算法，除了计算复杂的AMICA。我们已经通过GitHub发布了我们框架的源代码和测试数据。
2022-10-16 eess.SP
Spatial sampling of MEG and EEG revisited: From spatial-frequency spectra to model-informed sampling
在本文中，我们分析了空间采样的电（EEG）脑磁图（MEG），其中的电场或磁场通常是在一个弯曲的表面上，如头皮采样。使用模拟测量，我们研究了空间频率的内容，在脑电图以及在头皮和离头皮脑磁图。分析表明，头皮上的MEG通常会受益于比EEG或头皮外MEG多三倍的样本。基于高斯过程理论和实验设计，我们提出了一种方法来获得表面上的采样位置是最佳的先验假设。此外，该方法允许控制，例如，网格中采样位置的均匀性。通过模拟用不同先验构造的网格的性能，我们表明，对于少量的空间样本，模型通知的非均匀采样可能是有益的。对于大量的样本，均匀采样网格产生几乎相同的总信息的模型知情的网格。
2020-06-03 eess.SP physics.med-ph
Cross-Subject Intracranial EEG Reconstruction from Scalp Recordings Using Multi-Scale Cross-Attention Transformers
HAI-Smartlink Research Lab, Anchi STE Company（HAI-Smartlink研究实验室、Anchi STE公司）；School of Mechanical Engineering, Vietnam Maritime University（越南海事大学机械工程学院）
本文提出了一种基于多尺度交叉注意力变换器（CAST）的方法，通过两阶段迁移学习策略，从头皮脑电中重建未见过的受试者的颅内脑电信号，实现了无需患者特定训练的跨受试者颅内脑电重构。
2026-05-17 cs.AI cs.LG eess.SP
CORTEG: Foundation Models Enable Cross-Modality Representation Transfer from Scalp to Intracranial Brain Recordings
Laboratory for Neuro- & Psychophysiology, Department of Neurosciences, KU Leuven（神经与心理生理实验室，神经科学系，比利时鲁文大学）
CORTEG通过预训练的头皮EEG基础模型实现跨模态表示迁移，提升脑机接口的跨患者学习和解码性能，同时在单GPU上10-30分钟内校准新患者。
2026-10-15 cs.AI eess.SP
Six-center Assessment of CNN-Transformer with Belief Matching Loss for Patient-independent Seizure Detection in EEG
神经科医生通常通过视觉检查从脑电图（EEG）中识别癫痫发作。这个过程通常很耗时，特别是对于持续数小时或数天的EEG记录。为了加快这一过程，一个可靠的，自动化的，独立于患者的癫痫发作检测器是必不可少的。然而，开发患者独立的癫痫发作检测器是具有挑战性的，因为癫痫发作在患者和记录设备之间表现出不同的特征。在这项研究中，我们提出了一个独立于患者的癫痫发作检测器，自动检测癫痫发作头皮脑电图和颅内脑电图（iEEG）。首先，我们部署了一个具有Transformers和置信匹配损失的卷积神经网络来检测单通道EEG片段中的癫痫发作。接下来，我们从通道级输出中提取区域特征，以检测多通道EEG片段中的癫痫发作。最后，我们将后处理滤波器应用于多通道EEG的分段级输出，以确定癫痫发作的开始和结束点。最后，我们引入了最小重叠评估评分作为评估指标，该指标考虑了检测和癫痫发作之间的最小重叠，改进了现有的评估指标。我们在坦普尔大学医院癫痫发作（TUH-SZ）数据集上训练了癫痫发作检测器，并在五个独立的EEG数据集上对其进行了评估。我们使用以下指标评估系统：灵敏度（SEN），精度（PRE）以及每小时的平均和中位数假阳性率（aFPR/h和mFPR/h）。在四个成人头皮EEG和iEEG数据集中，我们获得了SEN为0.617-1.00，PRE为0.534-1.00，aFPR/h为0.425-2.002，mFPR/h为0-1…
2022-11-22 eess.SP
Subject-independent trajectory prediction using pre-movement EEG during grasp and lift task
本文提出基于MLP与CNN-LSTM的运动前EEG解码框架，在WAY-EEG-GAL上以LOSO验证跨受试者3D抓握轨迹预测，为康复外骨骼和假肢BCI提供依据。
2024-06-18 eess.SP
A novel convolutional neural network model to remove muscle artifacts from EEG
脑电（EEG）记录信号通常被许多伪影污染。近年来，深度学习模型已被用于脑电图（EEG）数据的去噪，并提供了与传统技术相当的性能。然而，现有的神经网络在去除肌电信号伪影方面的性能有限，并且存在过拟合问题。在这里，我们介绍了一种新的卷积神经网络（CNN），逐渐上升的特征尺寸和时间序列的下采样，以消除EEG数据中的肌肉伪影。与其他类型的卷积网络相比，该模型在很大程度上消除了过度拟合，并显着优于EEGdenoiseNet中的四个基准网络。我们的研究表明，深度网络架构可能有助于避免过拟合，并更好地去除EEG中的EMG伪影。
2021-02-13 eess.SP
Deep Architectures for Automated Seizure Detection in Scalp EEGs
使用临床脑电图的自动癫痫发作检测是一个具有挑战性的机器学习问题，因为多通道信号通常具有极低的信噪比。感兴趣的事件（例如癫痫发作）容易与信号伪影（例如，眼球运动）或良性变体（例如，慢）。商业上可获得的系统遭受不可接受的高误报警率。由于缺乏大数据资源，采用高维模型的深度学习算法以前并不有效。在本文中，我们使用TUH EEG癫痫发作语料库来评估各种混合深层结构，包括卷积神经网络和长短期记忆网络。我们引入了一种新的递归卷积架构，每24小时提供7个假警报的30%灵敏度。我们还评估了我们的系统在杜克大学癫痫发作语料库的基础上举行了评估集，并证明性能趋势是类似的TUH EEG癫痫发作语料库。这是一个重要的发现，因为杜克语料库是在不同的医院用不同的仪器收集的。我们的工作表明，整合空间和时间背景的深度学习架构对于实现最先进的性能至关重要，并将实现新一代临床可接受的技术。
2017-12-28 cs.LG eess.SP q-bio.NC
Electromyogram (EMG) Removal by Adding Sources of EMG (ERASE) -- A novel ICA-based algorithm for removing myoelectric artifacts from EEG -- Part 1
脑电图（EEG）记录经常被肌电图（EMG）伪影污染，特别是在运动过程中记录时。去除EMG伪影的现有方法包括独立分量分析（ICA）和其他高阶统计方法。然而，这些方法不能有效地去除大部分的肌电信号伪影。本文提出了一种改进的ICA模型来去除脑电信号中的肌电信号伪影，称为ERASE（EMG Removal by Adding Sources of EMG）。在这种新方法中，来自颈部和头部肌肉的真实EMG的额外通道（参考伪影）被添加作为ICA的输入，以便将来自EMG伪影的最大功率“强制”到几个独立分量（IC）中。使用自动程序识别并拒绝含有EMG伪影的IC（“伪影IC”）。仿真结果表明，ERASE比传统ICA能更有效地去除EEG中的EMG伪影。随后，从8名健康参与者中收集EEG，同时他们移动他们的手，以测试这种方法的现实效果。结果表明，ERASE成功地去除了EMG伪影（平均而言，当使用真实EMG作为参考伪影时，约75%的EMG伪影被去除），同时保留了与运动相关的预期EEG特征。我们还使用模拟EMG作为参考伪影测试了ERASE程序（约63%的EMG伪影被去除）。与传统的ICA相比，ERASE从EEG中去除的EMG伪影平均多26%。这些结果表明，使用额外的真实或模拟的肌电信号源可以提高ICA在去除EEG中的肌电信号伪影的有效性。结合自动伪影IC拒绝，ERASE还最大限度地减少了潜在的用户偏见。
2020-07-06 eess.SP
Mobile EEG artifact correction on limited hardware using artifact subspace recon- struction
像脑电图（EEG）这样的生物数据通常会受到不需要的信号（称为伪影）的污染。因此，许多处理具有低信噪比的生物数据的应用需要鲁棒的伪影校正。对于像脑机接口（BCI）这样的应用，伪影校正需要具有实时能力。小波子空间重构（ASR）是一种消除脑电信号伪影的统计方法。然而，在其当前实现中，ASR不能容易地用于使用有限硬件的移动数据记录。在这份报告中，我们添加到不断增长的领域的便携式，在线信号处理方法，通过描述实现ASR有限的硬件，如单板计算机。我们描述的架构，翻译和编译Matlab代码库的研究平台的过程中，和一组使用公开的数据集的验证测试。在有限的便携式硬件上实现ASR有助于在线解释在实验室环境之外采集的EEG信号。
2022-04-28 eess.SP
Automatic Muscle Artifacts Identification and Removal from Single-Channel EEG Using Wavelet Transform with Meta-heuristically Optimized Non-local Means Filter
脑电信号中的肌肉伪影容易污染脑电信号，从而导致脑机接口（BCI）系统以及各种医学诊断中的错误解释。本文的主要目标是去除肌肉伪影，而不扭曲的信息中包含的EEG。提出了一种新的多阶段脑电信号去噪方法，将小波包分解（WPD）与改进的非局部均值（NLM）算法相结合。首先，通过预先训练的分类器识别伪迹EEG信号。接着，将识别出的脑电信号分解为小波系数，并通过改进的NLM滤波器进行校正。最后，通过逆WPD从校正后的小波系数重建无伪影的EEG。为了优化滤波器参数，本文首次使用了两种元启发式算法。该系统首先在模拟EEG数据上进行了验证，然后在真实EEG数据上进行了测试。该方法实现了平均互信息（MI）为2.9684 $\pm$ 0.7045真实EEG数据。结果表明，所提出的系统优于最近开发的去噪技术，具有更高的平均MI，这表明所提出的方法在重建质量方面更好，并且是全自动的。
2022-04-13 eess.SP
Cepstral Analysis Based Artifact Detection, Recognition and Removal for Prefrontal EEG
本研究针对前额叶EEG的眼动伪迹问题，提出基于倒谱分析的检测识别方法与统计值去除方法，兼具高准确率与低计算成本，适用于实时抗伪迹脑机接口。
2024-04-12 eess.SP
Real-Time Non-Invasive Imaging and Detection of Spreading Depolarizations through EEG: An Ultra-Light Explainable Deep Learning Approach
Department of Bioengineering, Imperial College London（伦敦帝国理工学院生物工程系）；Royal Brompton Hospital（皇家布伦普顿医院）；Department of Basic and Clinical Neuroscience, Institute of Psychiatry, Psychology and Neuroscience, Academic Neuroscience Centre, King’s College London（伦敦国王学院精神病学、心理学与神经科学研究所基础与临床神经科学系学术神经科学中心）
本文提出一种超轻量多模态深度学习网络，通过融合EEG频谱图像和时间功率向量，提升单电极上的扩散性去极化检测精度，实现低密度EEG下的高效检测。
2026-05-16 eess.SP
How large an effect would we have seen? Positive controls, detection floors and dataset pitfalls in scalp-EEG speech decoding
Morgan State University（摩根州立大学）
该研究审核头皮EEG语音解码的阳性对照与数据集问题，注入已知效应测量检测下限，发现显性语音对照受肌源信号主导，建议报告限带准确率、频率相关准确率及检测下限。
2026-10-16 eess.SP q-bio.NC q-bio.QM
BCI-Walls: A robust methodology to predict success or failure in brain computer interfaces
本文提出BCI-Walls方法，通过信噪比与SNR-wall的对比，为非平稳噪声下的意识性EEG变化检测提供可测量的硬性标准，实验证明最小化面部肌肉和眼球运动噪声对检测至关重要。
2023-07-02 eess.SP
Improved Riemannian potato field: an Automatic Artifact Rejection Method for EEG
本文提出改进的黎曼土豆场（iRPF）全自动EEG伪迹剔除方法，在226份EEG记录上显著优于现有方法，且每epoch处理仅需8毫秒，适用于大规模和实时应用。
2025-09-11 eess.SP
MindReading: An Ultra-Low-Power Photonic Accelerator for EEG-based Human Intention Recognition
基于头皮记录脑电图（EEG）的脑机接口（BCI）系统可以极大地改善运动障碍患者的生活质量。创建由多个卷积层、LSTM层和全连接层组成的深度神经网络来解码EEG信号，以最大限度地提高人类意图识别的准确性。然而，现有的FPGA、ASIC、ReRAM和光子加速器在处理实时意图识别时不能保持足够的电池寿命。在本文中，我们提出了一个超低功耗的光子加速器，MindReading，人类意图识别只有低位宽的加法和移位运算。与现有的神经网络加速器相比，为了保持实时处理吞吐量，MindReading将功耗降低了62.7%，每瓦吞吐量提高了168%。
2020-01-30 eess.SP
Patient Independent Interictal Epileptiform Discharge Detection
本研究针对个体间IED形态差异大的问题，提出结合残差卷积神经网络与双向长短期记忆网络的集成深度学习IED检测系统，在天普大学医院癫痫语料库上准确率达94.92%、AUC达97.45%，优于现有模型，具备临床应用潜力。
2023-05-01 eess.SP
Implementation of tools for lessening the influence of artifacts in EEG signal analysis
本文实现了一套代码工具，通过消除与眼电图信号相似的EEG通道或成分来减轻眼电伪影对脑电图分析的影响，并提供了使用示例与图示。
2024-11-21 eess.SP
Removing muscle artifacts from EEG data of people with cognitive impairment using high order statistic methods
目的：通常，患有主观认知障碍（SCI）、轻度认知障碍（MCI）和痴呆的人经历脑电图（EEG），以便通过生物学指标评估在认知表现期间大脑区域和激活区域之间的功能连接。EEG记录经常受到肌肉伪影的污染，这使得它们的解释变得模糊和复杂。这些肌肉伪影特别难以从EEG中去除，以便后者用于进一步的临床评价。在本文中，我们提出了一种新的方法来消除肌肉伪影从EEG数据使用的方法相结合的二阶和高阶统计信息。主题和方法：在所提出的系统中，通过使用独立向量分析（IVA）的EEG信号的肌肉伪影去除。后者被制定为一个通用的联合盲源分离（BSS）方法，使用二阶和高阶统计信息，从而利用独立分量分析（ICA）和典型相关分析（CCA）。在所提出的系统中，IVA的对角化方法基于SCHUR分解进行了修改，提供了一种更快的二阶盲辨识算法，可用于时间要求高的应用。结果：该方法在模拟和真实EEG数据进行了评估。为了定量地检验新方法的性能，采用了两个客观的措施。第一个度量是均方根误差（RMSE），而第二个度量是信噪比（SNR）。结论：所提出的方法克服了需要从具有认知障碍的人的逼真的模拟EEG数据和大脑活动去除肌肉伪影。
2019-04-09 eess.SP
Cross-subject decoding of imagined speech from scalp EEG: a leakage-controlled evaluation on three public corpora
Morgan State University（摩根州立大学）
该研究针对三个公开语料库开展跨被试想象语音EEG解码评估，发现无跨被试迁移性，仅竞赛语料库被试内解码达标，支持扩大单条件数据集。
2026-10-16 cs.LG eess.SP q-bio.NC
Electromyogram (EMG) Removal by Adding Sources of EMG (ERASE) -- A novel ICA-based algorithm for removing myoelectric artifacts from EEG -- Part 2
由于与面部和头部运动相关的表面肌电图（EMG）伪影的混淆带宽重叠，从接受过半脑切除术的创伤性脑损伤（TBI）患者的脑电图（EEG）中提取运动相关的高伽马（80 - 160 Hz）仍然具有挑战性。在第一部分中，我们描述了一种增强的独立分量分析（ICA）方法，用于从EEG中去除EMG伪影，并被称为通过添加EMG源的EMG减少（ERASE）。在这里，我们测试了ERASE脑电图记录从6例TBI患者进行拇指屈曲任务，而他们的半脑切除术。ERASE平均去除了52 +/- 12%（平均值+/- S.E.M）（最大73%）的EMG伪影。相比之下，传统ICA从EEG中去除了平均27 +/- 19\%（平均值+/- S.E.M）的EMG伪影。特别是，在应用ERASE后，在半颅骨切除术部位内的对侧手部运动皮层区域的高伽马同步性显著改善。我们计算了每个通道上EEG高伽马的分形维数（FD）。我们发现，在应用ERASE后，高伽马相对于半颅骨切除术的相对FD与手指屈曲力的幅度密切相关。结果表明，拇指屈曲相关的电极间的显著相关系数平均为0.76，而非半颅骨切除术区域的同源电极间的相关系数接近0。在所有受试者中，平均83%的与力显著相关的电极位于应用ERASE后的半颅骨切除术区域。传统ICA后，只有19%的电极具有显着的相关性位于半颅骨切除术。这些结果表明，新的方法隔离手指运动激活过程中的电生理特征，同时选择性地消…
2020-07-07 eess.SP
Light-Weight 1-D Convolutional Neural Network Architecture for Mental Task Identification and Classification Based on Single-Channel EEG
利用单通道或有限通道脑电信号实时识别和分类心理任务在便携式脑机接口（BCI）和神经反馈（NFB）系统设计中具有重要意义。然而，实时记录的脑电信号中往往含有眼伪影（OAs）和肌肉伪影（MAs）等噪声，这使得从脑电信号中提取的特征质量下降，导致对心理任务的识别和分类不充分。因此，我们研究了最近的深度学习技术的使用，这些技术不需要任何手动特征提取或伪影抑制步骤。在本文中，我们提出了一个轻量级的一维卷积神经网络（1D-CNN）架构，用于心理任务识别和分类。所提出的架构的鲁棒性进行了评估，使用从两个公开的数据库中提取的无伪影和伪影污染的EEG信号（即，Keirn和Aunon（$K$）数据库和EEGMAT（$E$）数据库）和内部（$R$）数据库记录使用单通道neurosky mindwave移动2（MWM 2）脑电图耳机，不仅在执行精神/非心理二元任务分类以及不同心理/心理多任务分类。评价结果表明，该体系结构在多类分类和成对心理任务分类中分别达到了$99.7\%$和$100\%$中最高的主体无关分类精度.此外，所提出的架构分别在数据库$E$和记录的数据库$R$中实现了$99\%$和$98\%$的主题无关的分类精度。比较性能分析表明，所提出的架构优于现有的方法，不仅在分类精度，而且在对文物的鲁棒性。
2020-12-12 eess.SP
Dynamical Embedding of Single Channel Electroencephalogram for Artifact Subspace Reconstruction
本文提出E-ASR框架，通过动态嵌入将原本依赖多通道的ASR扩展到单通道EEG伪影去除，并在半模拟与真实数据上验证其有效性。
2024-10-29 eess.SP
Analysis of artifacts in EEG signals for building BCIs
INDIAN INSTITUTE OF TECHNOLOGY MADRAS（印度马德拉斯理工学院）
脑机接口（BCI）是一种重要的人脑信号处理机制。它提供了一种辅助技术，使肢体残疾者能够与世界交流，并使他们能够独立生活。常见的BCI设备使用从头皮记录的脑电图（EEG）电活动。EEG信号由于存在许多伪像（即，眨眼、头部运动和下颌运动）而具有噪声。这种伪影破坏了EEG信号，并使EEG分析具有挑战性。通过定位伪影并从分析中排除EEG片段来解决这个问题，这可能导致有用信息的丢失。然而，我们提出了一个实用的BCI，使用的文物，具有低信噪比。我们的工作的目标是分类不同类型的文物，即眨眼，点头，头部转动，和下巴运动的EEG信号。伪影的出现首先定位在EEG信号中。然后使用线性时间和动态时间扭曲技术对定位的伪影进行分类。定位的工件可以由具有运动残疾的人用来控制智能手机。开发了一个语音合成应用程序，在单通道EEG系统中使用眨眼，在四通道EEG系统中使用颌咬合。单词预测模型用于单词补全，从而减少了所需的伪像数量。
2020-09-18 cs.LG eess.SP
Automated Artifact Removal in EEG Age Prediction: A systematic comparison
Yneuro
本研究系统比较九种自动脑电伪迹去除方法，提出SQI引导的GEDAI，在跨数据集年龄预测中仅该方法稳定提升性能，且减少信号修改率，保留更多原始脑电信息。
2026-09-28 eess.SP
From EEG Cleaning to Decoding: The Role of Artifact Rejection in MI-based BCIs
Yneuro；SCCN, INC, SDSC, University of California San Diego（加州大学圣地亚哥分校计算神经科学中心、信息通信与计算研究所、圣迭戈超级计算中心）
提出快速自动伪迹拒绝方法FAAR，通过计算伪迹敏感特征、自适应阈值选择，自动拒绝污染脑电片段，在13个公开MI数据集上验证其能降低跨被试性能变异，尤其提升低信噪比条件下的解码性能。
2026-05-22 eess.SP
Machine Learning for removing EEG artifacts: Setting the benchmark
脑电图（EEG）经常被伪影污染，这使得解释它们对临床医生更具挑战性。因此，自动伪影识别系统有可能帮助临床工作流程。在这篇摘要中，我们分享了将各种机器学习算法应用于最近发布的世界上最大的开源工件识别数据集的第一批结果。我们设想这些结果将作为未来可能使用该数据集的研究人员的基准。
2019-03-19 eess.SP stat.ML
Embedding Decomposition for Artifacts Removal in EEG Signals
Southern University of Science and Technology（南方科技大学）；The Chinese University of Hong Kong (Shenzhen)（香港中文大学（深圳））
脑电图（EEG）记录经常被伪影污染。已经开发了各种方法来消除或减弱伪影的影响。然而，他们中的大多数人依赖于以前的经验进行分析。在这里，我们提出了一个深度学习框架来分离嵌入空间中的神经信号和伪影，并重建去噪信号，称为DeepSeparator。DeepSeparator采用编码器来提取和放大原始EEG中的特征，一个称为分解器的模块来提取趋势，检测和抑制伪影，以及一个解码器来重建去噪信号。此外，DeepSeparator可以提取工件，这大大提高了模型的可解释性。使用半合成EEG数据集和真实任务相关EEG数据集对所提出的方法进行测试，表明DeepSeparator在EOG和EMG伪影去除方面优于传统模型。DeepSeparator可以扩展到多通道EEG和任何长度的数据。这可能会激发基于深度学习的EEG去噪的未来发展和应用。DeepSeparator的代码可以在https://github.com/ncclabsustech/DeepSeparator上找到。
2022-02-21 cs.LG eess.SP
The WQN algorithm to adaptively correct artifacts in the EEG signal
小波分位数归一化（WQN）是一种非参数算法，旨在有效地消除瞬态伪影从单通道脑电在实时临床监测。如今，当检测到信号中的伪影时，EEG监测机器暂停其输出。因此，去除不可预测的EEG伪影将允许改善监测的连续性。我们分析了WQN算法，该算法包括在运输到一个参考，未污染的信号分布的伪时代的小波系数分布。我们表明，该算法正则化的信号。为了证实该算法是非常适合的，我们研究的经验分布的EEG和文物小波系数。我们比较了WQN算法和经典的小波阈值方法，并研究了它们对小波系数分布的影响。我们表明，WQN算法保留的分布，而阈值的方法可能会导致改变。最后，我们展示了如何从EEG信号计算的频谱图可以使用WQN算法进行清理。
2022-07-24 eess.SP stat.ME
Attention-Enhanced Dual-Branch ConvNeXt-BiLSTM Network for Subject-Independent EEG Seizure Detection
Khulna University of Engineering & Technology（库尔纳工程技术大学）
提出注意力增强双分支ConvNeXt-BiLSTM网络，融合时频与时间特征，在CHB-MIT数据上实现97.88%准确率，实现受试者无关的EEG癫痫自动检测。
2026-09-22 cs.LG eess.SP
EEGdenoiseNet: A benchmark dataset for end-to-end deep learning solutions of EEG denoising
深度学习网络在包括脑电图（EEG）信号处理在内的各个领域越来越受到关注。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良好和标准化的数据集，限制了用于EEG去噪的深度学习解决方案的发展。在这里，我们介绍了EEGdenoiseNet，这是一个基准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EEG片段，3400个眼部伪影片段和5598个肌肉伪影片段，允许用户将污染的EEG片段与地面真实的干净EEG合成。我们使用EEGdenoiseNet来评估四个经典网络（全连接网络、简单和复杂卷积网络以及循环神经网络）的去噪性能。我们的分析表明，即使在高噪声污染的情况下，深度学习方法也具有巨大的EEG去噪潜力。通过EEGdenoiseNet，我们希望加速基于深度学习的EEG去噪这一新兴领域的发展。
2021-07-28 eess.SP
HEAR to remove pops and drifts: the high-variance electrode artifact removal (HEAR) algorithm
在功能神经成像和脑机接口（BCI）中，高比例的无伪影信号是非常理想的。本文提出了一种高方差电极伪影去除算法（HEAR），用于去除脑电信号中的瞬态电极突跳和漂移伪影。瞬态PD伪影反映了由离子浓度变化引起的电极头皮界面处的阻抗变化。HEAR及其在线版本（oHEAR）是开源的，可公开获取。两者都优于最先进的离线和在线瞬态，高方差伪影校正算法模拟EEG信号。（o）HEAR衰减PD伪影约25 dB，同时在无PD伪影期间保持高SNR。对于真实世界的EEG数据，（o）HEAR将离群值试验的分数减少了一半，并在中心向外延伸任务期间保持了运动相关皮层电位的波形。在BCI训练的情况下，使用oHEAR可以通过减少PD伪影的潜在负面影响来提高用户收到的反馈的可靠性。
2019-07-29 eess.SP
Preprocessing for lessening the influence of eye artifacts in eeg analysis
本文针对长时间脑电试验中的眼电伪影问题，提出基于独立成分部分剔除的预处理方案，并验证了使用无伪影片段提取成分对音乐情境下脑活动分析的重要性。
2024-11-18 cs.IR eess.SP
Handwriting Imagery EEG Classification based on Convolutional Neural Networks
本研究首次尝试解码手写想象相关的非侵入式EEG，通过训练4种CNN模型对5名受试者的26字母想象脑电分类，最高准确率达约20%，验证了字母特异性模式并为后续研究建立基准。
2025-09-03 eess.SP
High Frequency EEG Artifact Detection with Uncertainty via Early Exit Paradigm
University of Cambridge（剑桥大学）；The Alan Turing Institute（艾伦·图灵研究所）
脑电图（EEG）是监测和诊断大脑疾病的关键。然而，EEG信号遭受由非大脑伪影引起的扰动，限制了它们的功效。当前的伪影检测管道是资源消耗型的，并且严重依赖于手工制作的功能。此外，这些管道本质上是确定性的，使它们无法捕获预测的不确定性。我们提出了E4G，一个用于高频EEG伪影检测的深度学习框架。我们的框架利用了早期退出范式，建立了一个能够捕捉不确定性的隐式模型集合。我们评估了我们的方法在天普大学医院EEG语料库（v2.0）实现国家的最先进的分类结果。此外，E4G提供了良好校准的不确定性指标，可与抽样技术（如Monte Carlo dropout）相媲美。E4G为支持临床医生在环框架的不确定性感知伪影检测打开了大门。
2021-07-21 cs.LG eess.SP
Neural Tracking of Sustained Attention, Attention Switching, and Natural Conversation in Audiovisual Environments using Mobile EEG
Dept. of Electrical Engineering, Linköping University（电子工程系，利厄普堡大学）；Centre for Mathematical Sciences, Lund University（数学科学中心，卢德大学）；Eriksholm Research Centre, Oticon A/S（埃里克霍姆研究中心，Oticon A/S）
本研究利用移动EEG技术，通过新型数据集研究音频视觉环境中持续注意力、注意力切换和自然对话的神经追踪，揭示了多说话人处理的复杂性及选择性注意力的分类性能。
2026-01-21 cs.SD eess.AS eess.SP
A Parametric Time Frequency-Conditional Granger Causality Method Using Ultra-regularized Orthogonal Least Squares and Multiwavelets for Dynamic Connectivity Analysis in EEGs
目的：本研究提出了一种新的参数TF（时间频率）CGC（条件格兰杰因果关系）方法，用于多元耦合非平稳系统中随时间和频率的高精度连接性分析，并将其应用于头皮和源脑电信号，以揭示振荡新皮质感觉运动网络中的动态相互作用模式。研究方法：Geweke谱测量相结合的TVARX（时变自回归与外源输入）建模方法，使用多小波和超正则化正交最小二乘（UROLS）算法辅助APRESS（可调预测误差平方和），以获得高分辨率的时变CGC表示。UROLS APRESS算法采用正则化技术和超最小二乘准则，不仅测量信号数据本身，而且测量信号数据的弱导数，是一种新的强有力的时变模型构造方法，具有良好的泛化性能，能够准确跟踪平滑和快速变化的因果关系。基于CGC分解的广义测量能够消除多变量系统中的间接影响。结果如下：所提出的方法进行了验证两个模拟，然后施加到多通道运动想象（MI）EEG信号在头皮和源级，预测的分布恢复良好，具有高TF精度，和检测到的连接模式的MI EEG数据是生理和解剖学上可解释的，并产生新的见解振荡皮层网络的动态组织。结论：实验结果证实了所提出的TF CGC方法在跟踪快速变化的因果关系的EEG振荡网络的有效性。意义：新的TF CGC方法有望为知觉和认知的神经机制提供重要信息。
2018-10-22 eess.SP q-bio.QM
Automated Pipeline for EEG Artifact Reduction (APPEAR) Recorded during fMRI
Objective.在fMRI采集过程中收集的EEG数据被MRI梯度和心冲击图（BCG）伪影以及生理来源的伪影所污染。已经有几次尝试用手动和耗时的预处理来减少这些伪影，这可能导致由于选择步骤顺序、参数和伪影独立分量的分类的变化而使EEG数据偏置。因此，迫切需要开发一种全自动和全面的管道，以减少所有主要的EEG伪影。在这项工作中，我们引入了一个开放访问的工具箱，它具有一个全自动的管道，用于减少与fMRI同时收集的EEG数据中的伪影（参见APPEAR）。Approach.该管道集成了平均模板减法和独立成分分析（ICA），以抑制MRI相关和生理伪影。为了验证我们的结果，我们在静息状态（n=48）和基于任务（即，事件相关电位[ERP]; n=8）范式。选择的金标准是EEG数据库的专家手动审查。主要结果。我们比较了手动和自动校正的EEG数据在休息状态下使用频率分析和连续小波变换，发现两个校正之间没有显着差异。在所谓的停止信号任务（例如，振幅测量和信噪比）也显示手动和全自动fMRI-EEG校正数据之间没有差异。重要性：APPEAR提供了第一个全面的开源工具箱，可以通过避免实验者的偏好来加速EEG分析的进步并增强复制，同时允许处理由数百名受试者组成的大型EEG-fMRI队列，并且可以管理研究人员的时间和精力。
2021-06-30 eess.SP physics.bio-ph
IC-U-Net: A U-Net-based Denoising Autoencoder Using Mixtures of Independent Components for Automatic EEG Artifact Removal
National Tsing Hua University（台湾清华大学）；National Taiwan Ocean University（台湾海洋大学）；Elan Microelectronics Corporation（义隆电子股份有限公司）；University of California, San Diego（加利福尼亚大学圣迭戈分校）
脑电（EEG）信号经常被伪影污染。因此，迫切需要开发一种实用可靠的伪影去除方法，以防止神经信号的误解和脑机接口的性能不佳。本文提出了一种新的伪影去除方法IC-U-Net，该方法基于U-Net结构，用于去除普遍的EEG伪影并重建脑源。IC-U-Net使用通过独立分量分析分解的大脑和非大脑源的混合物进行训练，并采用损失函数的集合来模拟EEG记录中的复杂信号波动。所提出的方法在恢复脑源和去除各种伪影（例如，眨眼/运动、肌肉活动和线/通道噪声）在模拟研究中得到了证明，并且在休息时以及在驾驶和行走时收集了三个真实世界的EEG数据集。IC-U-Net是用户友好和公开可用的，不需要参数调整或工件类型指定，并且对通道数量没有限制。鉴于在移动环境中对自然大脑动态成像的需求日益增加，IC-U-Net提供了一种有前途的端到端解决方案，用于自动消除EEG记录中的伪影。
2021-11-22 cs.LG eess.SP
Artifact Detection and Correction in EEG data: A Review
Michigan State University（密歇根州立大学）；New York University（纽约大学）
脑电图（EEG）在许多领域有着无数的应用。然而，EEG的应用受到低信噪比的限制。多种类型的伪影有助于EEG的噪声，并且已经提出了许多技术来检测和校正这些伪影。这些技术的范围从简单地检测和拒绝伪影的片段，从EEG信号中提取噪声分量。在本文中，我们回顾了各种最新的和经典的EEG数据伪影检测和校正的技术，重点是在过去的五年。我们比较的优点和缺点的方法，并得出结论，为该领域提出了未来的发展方向。
2021-06-10 cs.LG eess.SP q-bio.QM
Coordinate-Queryable Neural Field Reconstruction for EEG Spatial Super-Resolution with Unseen-Electrode Generation
School of Intelligence Science and Technology, University of Science and Technology Beijing（信息科学与技术学院，北京科技大学）；School of Computer and Communication Engineering, University of Science and Technology Beijing（计算机与通信工程学院，北京科技大学）
针对实际部署中电极缺失和布局变化问题，提出将EEG空间超分辨率重构为从部分观测通道学习共享条件头皮场，通过位置引导编码器和条件隐式神经表示解码器实现未见电极信号生成，并引入保真通道损坏训练策略，在多个数据集上显著优于基线。
2026-06-24 cs.AI cs.LG eess.SP
Deep learning denoising for EOG artifacts removal from EEG signals
University of California, Santa Cruz（加州大学圣克鲁兹分校）；University of Oklahoma（俄克拉荷马大学）；Shahid Beheshti University（沙希德·贝赫什提大学）
在脑电图（EEG）记录中遇到许多干扰源，特别是眼部、肌肉和心脏伪影。由于脑电信号中的伪迹会给脑电信号的分析带来很多问题，因此抑制伪迹是脑电信号分析中的一个重要环节。EEG去噪过程中最具挑战性的问题之一是去除眼电图（EOG）和EEG信号在频域和时域上都有重叠的眼伪影。在本文中，我们构建并训练了一个深度学习模型来应对这一挑战，并有效地去除视觉伪影。在所提出的方案中，我们将每个EEG信号转换为图像，以馈送到U-NET模型，这是一种通常用于图像分割任务的深度学习模型。我们提出了三种不同的方案，并使我们的基于U-NET的模型学习净化污染的EEG信号，类似于图像分割过程中使用的过程。结果证实，我们的计划可以达到一个可靠的和有前途的准确性，以减少目标信号（纯脑电图）和预测信号（纯化脑电图）之间的均方误差。
2020-09-12 cs.LG eess.IV eess.SP
A Brief Summary of EEG Artifact Handling
近年来，由于技术水平的提高，脑电图的应用范围已扩展到实验室和临床以外。EEG具有各种优点，使其成为广泛应用的优选方法;它是一种非侵入性方法，它是便携式的，它提供了良好的时间分辨率和足够的空间分辨率，此外还有低成本的EEG系统可用于商业用途。由于EEG的早期使用，主要是作为疾病和病理的监测，睡眠分期和事件相关的潜在研究，它已经与不希望的信号类型，我们称之为伪影交织在一起。这些在基于EEG的方法的实践中提出了巨大的挑战，例如用于疾病的监测和诊断的平均，以及用于脑机接口中相对较新的应用的单次试验信号分析。然而，许多技术已被开发和研究，以更好地检测和缓解这些不良事件。主要的工件类型和它们的处理将在这个简短的总结中讨论。
2020-01-03 eess.SP q-bio.NC
SSDLabeler: Realistic semi-synthetic data generation for multi-label artifact classification in EEG
Sony Computer Science Laboratories, Inc.（索尼计算机科学实验室）
SSDLabeler通过生成真实注释的半合成数据，提升多标签伪影分类器在EEG中的准确性，解决传统方法在数据真实性和适用性上的不足。
2025-12-05 cs.LG eess.SP q-bio.NC
Deep Learning for Gradient and BCG Artifacts Removal in EEG During Simultaneous fMRI
针对同步EEG-fMRI中MR梯度与BCG伪影干扰问题，提出基于一维卷积自编码器的DAR框架，在多指标上优于传统方法，泛化性与可解释性良好，可用于实时EEG伪影去除。
2025-07-29 eess.IV eess.SP
