基于改进EMA-1D注意力机制的双尺度CNN-LSTM模型在EEG多模态伪迹去除中的创新应用

本研究针对EEG信号处理中未知伪迹去除难题，提出融合双尺度CNN、LSTM与改进EMA-1D注意力机制的CLEnet模型。通过三阶段特征提取（形态学特征、时序特征增强、信号重建），在单/多通道EEG数据集上实现EMG/EOG/ECG及混合伪迹的高效去除，SNR提升2.45%-5.13%，RRMSEt降低6.94%，为脑疾病诊断和脑机接口提供可靠预处理工具。

　　

脑电图(EEG)作为窥探大脑活动的窗口，在情绪识别、癫痫监测和阿尔茨海默病诊断等领域大显身手。然而这颗"大脑晴雨表"却极易受到干扰——眨眼产生的眼电(EOG)、肌肉收缩带来的肌电(EMG)、甚至心跳引起的ECG信号，都会像噪音污染般混入EEG记录中。更棘手的是，这些"噪音"与真实脑电波频段重叠，传统滤波方法如同"盲人摸象"，而依赖人工标记的独立成分分析(ICA)又费时费力。随着深度学习崛起，研究者们虽开发出1D-ResCNN、EEGDNet等模型，但它们在处理未知伪迹或多通道数据时仍捉襟见肘。

针对这一技术瓶颈，徐州医科大学医学信息与工程学院联合哈尔滨工业大学的研究团队另辟蹊径，在《Scientific Reports》发表创新成果。他们巧妙融合卷积神经网络(CNN)的形态特征捕捉能力、长短期记忆网络(LSTM)的时序建模优势，并引入改进的一维多尺度注意力机制(EMA-1D)，构建出名为CLEnet的"三合一"智能去噪系统。研究采用半合成数据集(EEGdenoiseNet和MIT-BIH)验证已知伪迹去除效果，同时通过自建的32通道真实EEG数据集挑战未知噪声。关键技术包括：双分支CNN架构(3×1和7×1卷积核并行提取多尺度特征)、EMA-1D模块(通过分组策略和跨时空学习增强时序依赖性)、以及端到端的MSE损失函数优化。

研究结果部分揭示：在形态特征提取阶段，可视化分析显示3×1卷积核精准捕捉高频瞬态伪迹，7×1卷积核则擅长低频节律特征，经EMA-1D处理后的特征图振幅显著降低，证实其噪声抑制效果。时序特征增强环节，LSTM通过遗忘门和输入门的动态调节，有效保留α/β等脑电波的振荡特性。定量评估表明，在EMG+EOG混合伪迹去除任务中，CLEnet以SNR=11.498dB、CC=0.925的成绩超越对比模型，RRMSE_t和RRMSE_f分别降低6.94%和3.30%。面对真实场景的32通道数据，其SNR仍提升2.45%，且消融实验证实移除EMA-1D会导致性能显著下降。

这项研究的突破性在于三方面：方法学上首创"形态-时序"双流解耦架构，通过EMA-1D的跨通道注意力机制，实现多通道EEG的协同去噪；技术上开发出参数效率高的1D版EMA模块，计算量仅0.129 GFLOPs；应用层面首次建立含未知伪迹的多通道EEG基准数据集，为复杂场景研究铺路。尽管在EOG去除精度上略逊于DuoCL模型，但其模块化设计为后续优化留足空间。正如讨论部分指出，未来融合频域特征提取模块，或将进一步提升对非平稳伪迹的适应性，为癫痫预警、脑机接口等应用提供更纯净的"大脑密码本"。