从神经元到网络：基于神经生理学基础到人工智能技术的脑电图(EEG)全面综述

《Signals》：From Neurons to Networks: A Holistic Review of Electroencephalography (EEG) from Neurophysiological Foundations to AI Techniques Christos Kalogeropoulos, Konstantinos Theofilatos and Seferina Mavroudi

　　

奈奎斯特折叠接收器( Nyquist Folding Receiver, NYFR)是一种利用压缩感知( Compressed Sensing, CS)将模拟射频信号转换为数字信号的架构。实现压缩感知的模数转换器( Analog-to-Digital Converter, ADC)架构统称为模拟到信息( Analog-to-Information, A2I)系统。频率带超过传统模数转换器奈奎斯特频率的稀疏带限模拟信号可由模拟到信息接收器恢复。这些信号的恢复受压缩感知恢复算法选择的影响。通常用于恢复奈奎斯特折叠接收器压缩输出的恢复算法采用迭代方法寻找解。本研究提出一种基于机器学习( Machine Learning, ML)的信号重建方法。该方法使用神经网络( Neural Network, NN)学习从压缩样本到原始信号的映射。该神经网络在名为SpectraMelt的新型开源模拟到信息模拟器生成的合成信号集上进行训练。结果表明，该神经网络能够从压缩样本中有效重建原始信号，其性能优于传统迭代方法。

现代信息系统对高带宽信号采样速率的需求日益超出传统硬件能力，模数转换器（ADC）成为瓶颈。2006年Donoho引入压缩感知（CS），通过利用信号稀疏性实现亚奈奎斯特采样，随后出现多种模拟到信息（A2I）架构，包括随机解调器、调制宽带转换器和奈奎斯特折叠接收器（NYFR）。然而，现有A2I架构在可行采样速率上仍落后于传统ADC，阻碍其从实验走向应用。为加速A2I技术主流化，研究人员需识别和优化最有潜力的设计，而建模与仿真对此至关重要，既可用于严格比较候选架构，又可探索混合方法和开发新型信号恢复算法。本研究聚焦NYFR，因其具备引人注目的定性分析基础。

研究人员开发了开源射频模拟器SpectraMelt，创建NYFR数字孪生以生成合成信号数据集，并训练多层感知机（MLP）神经网络用于信号重建，将其与传统迭代算法（正交匹配追踪OMP、谱投影梯度L1最小化SPGL-1、迭代硬阈值IHT）系统比较。结果表明，MLP网络平均恢复准确率达63.8%，约为SPGL-1（38.3%）的两倍，且几乎完全消除伪影，显著提升了A2I信号重建性能。该研究发表在《Signals》。

为开展本研究，研究人员主要采用了以下关键技术方法：（1）基于压缩感知理论的NYFR采样模型，使用调制本地振荡器（LO）将射频子带折叠至基带，经低通滤波和ADC后获得压缩测量值；（2）自主开发开源射频模拟器SpectraMelt（Python实现），构建NYFR数字孪生，可生成可控的合成信号数据集，模拟参数包括模拟频率（f_sim=1 MHz）、宽带滤波器截止频率（f_{wb_filter}=400 Hz）、ADC采样率（f_ADC=100 Hz）等；（3）设计多层感知机（MLP）神经网络，输入层节点数等于压缩样本数，隐藏层和输出层节点数等于原始信号长度，使用线性激活函数和自定义均方根误差（RMSE）损失函数进行监督训练；（4）采用伪逆预乘法和幅度校正因子（f_ADC/4）对测量数据预处理，以对齐信号范围、加速训练。

研究结果部分保留了原文主要小标题，并简要说明各节核心发现：

1. Introduction（引言）：指出传统ADC在高速采样中成为瓶颈，压缩感知（CS）通过?₁范数促进稀疏性，实现亚奈奎斯特重建，并引出A2I架构（随机解调器、调制宽带转换器、NYFR）。NYFR因性能优势被选为本研究重点。

1.1. Compressed Sensing Background（压缩感知背景）：建立CS数学基础，定义K-稀疏信号（||→s||₀≤K），测量模型→y=??→x=??→s，并指出当测量矩阵满足受限等距性质（RIP）时，可通过?₁最小化求解（非凸?₀问题松弛为凸优化）。

1.2. The Nyquist Folding Receiver（奈奎斯特折叠接收器）：详细描述NYFR结构：调制本地振荡器（LO）s_LO(t)=sin(2πf_s1t+θ_s1(t))，其频率在f_s1±Δf内扫描；脉冲序列Δ_mod(t)由过零产生，与宽带输入x_WB(t)相乘实现折叠；低通滤波后经ADC以f_s2采样，得到压缩测量值y[m]。通过推导测量矩阵??=????和重建字典??，建立信号模型，其中折叠次数Z=N/P由奈奎斯特频率与LO频率决定。

2. SpectraMelt（SpectraMelt模拟器）：研究人员发现现有仿真平台（如Matlab需付费，GNURadio存在时序失配等局限）不足，故开发了基于Python的开源模拟器SpectraMelt。通过重构代码、采用对象导向方法，并创建足够小的模拟时间步长（f_sim=1 MHz）以更准确表示模拟信号，提升了数字孪生保真度。单类架构虽简化当前实现，但后续将分解为模块化类以便扩展A2I架构模拟。

3. Improved A2I Recovery（改进的A2I恢复）：提出使用多层感知机（MLP）替代传统迭代CS算法。MLP架构包含输入层、一个隐藏层和输出层，各层全连接，激活函数为线性组合（无ReLU等约束），损失函数为自定义均方根误差（RMSE）。与传统?₁范数不同，RMSE避免了误差平均化导致的无信号恢复问题。

3.1. Dataset Creation（数据集创建）：基于NYFR数字孪生生成四类数据集（每类含1,2,3,4,5个音调，共79,800个信号），音调频率从1到400 Hz随机选择，幅度在0.5~1之间均匀随机。通过变化LO参数（f_mod=0.1,0.2,0.25,0.5；f_Δ=0.1f_mod,0.8f_mod,1.2f_mod,10f_mod）生成16组输出数据集，用于评估参数影响。研究表明LO参数选择需满足窄带调制条件（max|dθ(t)/dt|<<2πf_LO），且f_mod应与奈奎斯特区宽度匹配以降低互相干。

3.2. Compressed Data Recovery（压缩数据恢复）：研究人员利用伪逆预乘法和经验幅度校正因子（f_ADC/4）对初始重建结果进行预处理，使MLP训练输入与原始信号幅度一致。接着将MLP与三种迭代算法（IHT、OMP、SPGL-1）在相同数据集上比较，采用准确率（正确恢复音调数/总数）、伪影率（虚假信号数/总数）和幅度误差评估性能。关键发现：(1) 迭代算法中OMP优于IHT（即使IHT已知音调数）; (2) SPGL-1和MLP显著优于IHT和OMP; (3) MLP平均恢复准确率63.8%，约为SPGL-1（38.3%）的两倍，且几乎无伪影；(4) LO参数变化对迭代算法无影响，MLP结果略偏向f_mod=0.25，但标准差很小（<0.009），表明只要满足约束条件，LO参数选择对恢复影响有限。

4. Conclusions and Future Work（结论与未来工作）：总结研究证明基于MLP的恢复方法在速度和准确率上超越传统CS迭代方法，强调数字孪生对A2I算法设计的重要性。SpectraMelt的开源特性将促进快速原型验证与架构探索。局限性包括MLP训练时间长（主要由预乘初始猜测产生），以及当前网络针对固定音调数训练，存在灾难性遗忘问题。未来工作将引入更真实的环境噪声（加性高斯白噪声、相位噪声）、非整数频率、dB幅度表示，并扩展至更多音调测试以验证泛化能力。同时提出可集成复合A2I架构（如奈奎斯特折叠小波带通采样器NFWBS）。结论原文翻译如下：“先前的分析证明了基于MLP的新型恢复方法优于当前实践的CS恢复技术，同时强调了建模与仿真在推进A2I架构中的重要性。数字孪生使得设计全新恢复算法和探索替代A2I架构成为可能。SpectraMelt的开源特性将允许研究人员快速原型化和评估新设计，随着NYFR恢复准确率的提升，加速A2I的采用。SpectraMelt代码将在在线GitHub仓库中公开，并使用了Git 2.47.1.windows.2进行版本控制以支持可复现性。”