《Brain Sciences》：EOG Artifact Removal from EEG Using a Gated WGAN with Multi-Scale and Multi-Domain Feature Extraction
编辑推荐：
背景：脑电图（EEG）信号为脑机接口（BCIs）和神经系统疾病诊断提供重要信息，但易受眼电（EOG）伪迹干扰。传统方法往往依赖多通道数据或较长的时间窗口，限制了在线应用。深度学习可实现单通道端到端伪迹去除，但现有方法可能未能充分挖掘时域和频域特征，且可能不必要
背景：脑电图（EEG）信号为脑机接口（BCIs）和神经系统疾病诊断提供重要信息，但易受眼电（EOG）伪迹干扰。传统方法往往依赖多通道数据或较长的时间窗口，限制了在线应用。深度学习可实现单通道端到端伪迹去除，但现有方法可能未能充分挖掘时域和频域特征，且可能不必要地修改相对干净的EEG信号。方法：研究人员开发了一种融合重建损失、多域与多尺度特征提取以及门控单元的Wasserstein生成对抗网络（WGAN）。重建损失改善了波形重建，形成了重建损失辅助的伪迹去除WGAN（rarWGAN）。不同核尺寸的并行分支提取多尺度特征，而多域模块将时域特征与使用复值卷积提取的频域特征相结合。将两个模块整合到rarWGAN中产生了MDS-rarWGAN。基于判别器评分，门控将判定为受污染的输入路由至生成器，其余输入则保持不变。结果：在EEGdenoiseNet上，MDS-rarWGAN在时域和频域的相对均方根误差（RRMSEs）分别为0.189 ± 0.028和0.183 ± 0.027，相关系数为0.955 ± 0.013。与rarWGAN相比，RRMSEs分别降低了23.2%和32.5%，相关系数提高了1.2%。门控单元的假阳性率和假阴性率分别为1.47%和0.12%。对于含伪迹的EEG，有无门控在时域RRMSE上未检测到统计学显著差异（所有p > 0.05）。在BCI Competition IV 2a上，由于缺乏无伪迹EEG金标准，重建指标衡量了与独立成分分析（ICA）衍生参考的一致性。使用相同的EEGNet分类器，经门控MDS-rarWGAN处理的EEG在所评估的深度学习方法中取得了最高的平均运动想象分类准确率。结论：该方法抑制EOG伪迹，减少对无明显伪迹信号的不必要处理，并支持运动想象解码，提供了一种可行的预处理方案。
论文解读
一、研究背景与意义
脑电图（EEG）信号反映大脑神经活动，是临床诊断和神经科学研究的重要信息来源，也是非侵入性脑机接口（BCI）系统的核心信号基础。然而，EEG信号在采集过程中不可避免地受到非脑生理活动与环境噪声的污染，其中眼电（EOG）伪迹是常见且影响显著的干扰源。EOG伪迹幅值大、低频能量强，与EEG信号在时域和频域均存在重叠，传统滤波方法难以在充分保留神经信息的同时有效抑制伪迹。传统EOG伪迹去除方法包括回归法、自适应滤波、小波变换以及独立成分分析（ICA）等盲源分离方法。ICA方法可将多通道EEG分解为统计独立的成分，但依赖通道数量及统计独立性和平稳性假设，且成分分类错误可能导致残留伪迹或误删神经成分。此外，传统方法往往需要参考EOG通道、多通道记录或人工选择参数，限制了其在单通道和在线场景中的应用。
深度学习方法的发展为EEG伪迹去除提供了新途径。卷积神经网络（CNN）和循环神经网络（RNN）可直接学习从污染EEG到干净EEG的非线性映射，减少了对人工特征工程的依赖。生成对抗网络（GAN）通过对抗训练减小重建信号与干净参考信号之间的分布差异，在EEG伪迹去除中展现出应用潜力。然而，现有方法仍存在若干不足：对抗损失主要约束生成信号的整体分布，未直接惩罚逐点重建误差；EEG和EOG信号在不同时间尺度和时频域均包含有用信息，现有研究对多尺度结构和频谱信息的整合尚不充分；对所有输入信号统一应用去噪处理可能不必要地修改无明显伪迹的EEG信号。因此，开发一种能够在提高EEG重建质量的同时减少对相对干净信号不必要修改的单通道EOG伪迹去除框架，具有重要的研究意义和应用价值。
二、研究内容概述
针对上述问题，研究人员提出了gated-MDS-rarWGAN，一种面向单通道EEG的EOG伪迹去除框架。该框架包含两个阶段：MDS-rarWGAN训练和自适应去噪。研究在EEGdenoiseNet基准数据集上评估了重建性能、模型组件贡献和门控行为，并在BCI Competition IV 2a真实运动想象EEG数据上检验了与ICA参考的一致性及下游分类性能。研究结果表明，重建损失与多尺度、多域特征提取模块显著改善了信号恢复质量，门控机制减少了对无明显伪迹EEG段的不必要处理。该方法在抑制EOG伪迹、保留EEG有效信息和计算效率之间取得了良好平衡。
三、关键技术方法
研究人员主要采用了以下关键技术方法：
- 1.
rarWGAN（重建损失辅助的WGAN）：在WGAN生成器目标函数中引入均方误差（MSE）作为重建损失，联合优化对抗损失和重建损失，兼顾整体分布匹配与逐点重建精度。通过候选值评估，确定对抗损失权重系数为0.001。
- 2.
多域特征提取模块：包含时域分支和频域分支。时域分支使用常规卷积块提取时域特征；频域分支对输入沿样本维度应用N点快速傅里叶变换（FFT），保留全部N个复系数，使用复卷积神经网络联合处理实部和虚部，包括复卷积、复批归一化和复ReLU（CReLU）激活，提取包含幅值和相位信息的频谱特征。两分支输出沿通道维度拼接形成联合时频表示。
- 3.
多尺度特征提取模块：由两个不同感受野的并行卷积分支组成，分别使用1×3和1×5卷积核，各分支包含残差连接、激活函数和最大池化，输出沿通道维度拼接形成联合多尺度表示。
- 4.
门控自适应去噪：复用训练后的WGAN判别器作为门控单元，根据判别器评分和验证集上选择的阈值，将输入分类为受污染或干净信号，受污染信号路由至生成器处理，干净信号直接保留，无需引入独立的伪迹检测网络。
研究使用EEGdenoiseNet数据集（包含4514段干净EEG和3400段EOG伪迹段），按8:1:1划分训练、验证和测试子集，在-7至2 dB共10个信噪比（SNR）水平下生成半合成污染EEG。BCI Competition IV 2a实验中，使用ICA校正EEG作为代理参考进行逐被试微调和定量评估。
四、研究结果
1. 重建损失的效果：将rarWGAN与WGAN及四种基线网络（FCNN、RNN、Simple CNN、Complex CNN）比较。rarWGAN在所有SNR水平下均取得最低的时频域RRMSE和最高CC。与WGAN相比，rarWGAN将时域RRMSE从0.333降至0.246，频域RRMSE从0.317降至0.271，CC从0.939提升至0.944，且分布更集中。结果表明对抗损失与重建损失联合优化可提升不同SNR水平下的去噪性能。
2. 多尺度与多域模块的效果：消融实验显示，单独添加多尺度模块使两个RRMSE分别降低6.5%和3.7%，单独添加多域模块分别降低18.7%和30.6%。两者结合形成MDS-rarWGAN后，相对rarWGAN的时域和频域RRMSE分别降低23.2%和32.5%，CC从0.944提升至0.955。在与DuoCL、GCTNet、MSCGRU等近期方法的比较中，MDS-rarWGAN取得最低的平均时域RRMSE（0.189 ± 0.028）和频域RRMSE（0.183 ± 0.027）及最高CC（0.955 ± 0.013）。模型参数量为66.90 K，平均推理时间为每段1.4026 ms，具有在线应用潜力。
3. 门控单元的效果：门控阈值通过最大化验证集F1分数确定（t = -24.6）。判别器在-7至2 dB SNR范围内保持高AUC，2 dB时AUC为0.99。在测试集上，340段干净EEG中335段正确绕过生成器，3400段污染EEG中3396段正确路由至生成器，假阳性率和假阴性率分别为1.47%和0.12%。对污染EEG，有无门控的时域RRMSE无统计学显著差异（p = 0.894）。对无伪迹EEG，门控显著减少了不必要的信号修改。
4. BCI Competition IV 2a上的评估：经逐被试微调后，gated-MDS-rarWGAN取得最低的时域RRMSE（0.154 ± 0.074）和频域RRMSE（0.158 ± 0.065）及最高CC（0.986 ± 0.017）。在低SNR组中门控与非门控模型表现相似，而在高SNR组中门控模型取得更低的RRMSE和更高CC，表明门控减少了高信噪比信号的不必要修改。使用相同EEGNet分类器，gated-MDS-rarWGAN在所评估的深度学习方法中取得最高平均运动想象分类准确率，较原始EEG平均提升5.672个百分点，与ICA相比无统计学显著差异。mu和beta频段的事件相关去同步（ERD）分析显示，MDS-rarWGAN处理后的功率变化与ICA参考高度一致。
五、讨论与结论
讨论部分指出，对抗损失与重建损失的联合优化兼顾了分布匹配和逐点重建精度，局部波形、幅值和相位的变异可能包含生理相关信息，仅靠分布匹配难以充分保留。多尺度与多域特征的互补整合优于单一特征表示。门控机制通过判别器评分实现选择性处理，在高SNR信号中获益更为明显，未来可探索软门控或专用伪迹检测分支。研究存在若干局限性：BCI Competition IV 2a实验使用ICA校正EEG作为代理参考，衡量的是与代理的一致性而非真实无伪迹信号的恢复；模型适应使用了评估会话的EOG数据，未评估对完全未见会话的泛化能力；方法仅针对EOG伪迹评估，其他伪迹类型和混合污染有待研究；门控在段级别操作，需进一步研究伪迹持续时间和位置的影响；所有实验均为离线进行，在线实现需评估系统级延迟和硬件兼容性。
结论部分指出，本研究提出了gated-MDS-rarWGAN用于单通道EEG的EOG伪迹离线去除。重建损失改善了波形恢复，多尺度模块捕获不同尺度的时域特征，多域模块整合时域和频域的互补信息。基于判别器评分的门控单元将判定为受污染的段路由至生成器，允许判定为无伪迹的段绕过生成器处理。在EEGdenoiseNet上，MDS-rarWGAN相对rarWGAN将时域和频域RRMSE分别降低23.2%和32.5%，门控减少了无伪迹EEG的失真。在BCI Competition IV 2a上，经逐被试和对应评估会话适应后，该方法在所评估的深度学习方法中与ICA参考的整体一致性最佳，该优势在高SNR组更为明显。使用相同EEGNet分类器，gated-MDS-rarWGAN在所评估的深度学习方法中取得最高平均运动想象分类准确率，较原始EEG平均提升5.672个百分点。这些发现表明gated-MDS-rarWGAN在伪迹抑制和信号保留之间取得了平衡，同时保留了与下游解码相关的信息。未来工作将研究局部软门控、更多伪迹类型、跨被试泛化及在线BCI应用。
