EEG-AI:一种用于人工智能辅助的半自动化EEG预处理和伪迹去除的智能系统

《Journal of Neuroscience Methods》:EEG-AI: An agentic system for AI-assisted semi-automated EEG preprocessing and artifact removal

【字体: 大 中 小 】 时间:2026年04月12日 来源:Journal of Neuroscience Methods 2.3

编辑推荐:

  EEG预处理中提出LLM驱动的闭环反馈框架,通过整合IC分类器与迭代推理机制实现 artifact自动检测与修正,专家可参与决策验证,在合成和真实数据中SNR达67dB,RMSE为5×10??,较传统方法更高效且可复现。

  
阿卜杜勒拉赫曼·阿卜杜 | 马丁·伊万诺夫 | 萨梅德·沙亚 | 爱丽丝·鲁埃达 | 法特梅赫·戈拉马利·内扎德 | 伊利亚·德姆琴科 | 穆罕默德·阿明·卡马莱丁 | 保罗·A·弗鲁文 | 本杰明·T·邓克利 | 布伦丹·布雷迪 | 安德鲁·尼科尔森 | 拉凯什·杰特利 | 迪维娅·夏尔马 | 斯里达尔·克里希南 | 文卡特·巴特
加拿大安大略省多伦多市Unity Health Toronto的St. Michael’s医院精神病学系介入精神病学项目

摘要

背景

脑电图(EEG)被广泛用于识别神经标志物、个性化治疗和评估干预效果。然而,其信噪比较低,且容易受到人为干扰的影响,导致解释结果失真。传统的预处理方法(包括独立成分分析(ICA)需要大量的人工检查,过程繁琐。本研究旨在开发一种人工参与其中的预处理框架,在该框架中,人工智能(AI)代理协助专家识别、标记并迭代优化去除伪影的决策。

新方法

所提出的框架整合了一个大型语言模型(LLM)驱动的决策代理,该代理调用EEG分析工具来处理复杂的信号混合问题。系统结合了标准预处理和迭代推理循环,代理根据多个分类器的概率输出来决定保留或拒绝哪些成分,以及是否需要重新运行分析。每次迭代都通过闭环策略进行重新评估。这种结构使得伪影校正具有可解释的推理步骤和来自模型集成及人类专家的持续反馈,从而确保了结果的可重复性、可审计性和预处理效率的提高。

结果

评估使用了合成EEG数据和专家标注的真实数据集,以评估伪影检测能力、ICA分类准确性和重建质量。

与现有方法的比较

在这些测试中,AI代理系统始终优于传统的预处理流程,在去除伪影成分方面达到了与专家标注基线相当或更好的效果,Person’s r值为0.666 ± 0.188,RMSE为5 × 10^?6 ± 1 × 10^?6。

结论

AI代理框架通过闭环策略简化了预处理过程,同时保持了专家的监督,能够去除高置信度的伪影,重建信号,并在固定超参数的情况下重新运行分析。

引言

脑电图(EEG)在基础和临床神经科学领域被广泛用于识别神经标志物、个性化治疗和监测干预效果(Pion-Tonachini等人,2019年;Babu等人,2025年)。随着机器学习算法的进步,EEG还被用于情绪识别、睡眠障碍和重度抑郁症的筛查(Adhikari等人,2025年;Choudhury等人,2026年;Paul等人,2024年)。然而,由于其信噪比较低,以及神经信号与眼动、肌肉、心脏和环境信号的混合,使得解释变得复杂(Burle等人,2015年;Jiang等人,2019年)。由于每个头皮电极都会捕捉到神经和非神经活动的混合信号,如果处理不当,伪影可能会主导数据方差,并在多个电极间广泛传播,从而影响后续分析(Pion-Tonachini等人,2019年;Gabard-Durnam等人,2018年;Kappel等人,2017年)。
预处理的目的是在保留神经信号的同时减少这些干扰因素。然而,现有的预处理流程通常依赖专家指导的步骤,如视觉检查、手动分割和独立成分分析(ICA),随后进行人工成分标记,这些步骤耗时且难以大规模复制(Pion-Tonachini,2019年;Gabard-Durnam等人,2018年)。此外,ICA经常产生同时包含伪影和神经信号信息的模糊成分,即使经过训练的评审员也会存在分歧(Pion-Tonachini等人,2019年;Djuwari等人,2005年)。为此,已经开发了半自动化和自动化预处理流程:基于ICA的分类器(例如ICLabel)和工具包(如Automated Labeling and Integrated Component Evaluation (ALICE) 和 Reduction of Electroencephalographic Artefacts (RELAX))可以为伪影类别分配概率并建议去除规则(Gabard-Durnam等人,2018年;Chaumon等人,2015年7月30日;Soghoyan等人,2021年)。尽管深度学习模型在特定类型的伪影去除方面表现出色(Aquilué-Llorens和Soria-Frisch,2025年;Croce等人,2019年;Lopes等人,2022年),但这些方法在自动化预处理方面仍存在一个瓶颈:即ICA分类的人工审核。专家仍需验证伪影成分是否被正确识别和去除,这需要大量的时间和人力。
大型语言模型(LLM)的最新进展为这一领域提供了新的途径。除了语言任务外,LLM还可以解析结构化输出,调用外部工具,并执行带有可读痕迹的多步骤推理过程(Babu等人,2025年;Nandi等人,2021年;Maca?等人,2019年;Kim等人,2024年;Shakeri等人,2024年)。在EEG领域,这使得一个“代理式”范式成为可能,即决策代理协调标准预处理操作(过滤、参考、ICA),解释来自多个ICA分类器的概率输出,并与残余伪影指标进行比较,同时让专家参与其中。最近的研究表明,LLM可以解释和分类脑信号(Ahuja和Sethia,2024年;Kim等人,2024年)。EEG-GPT表明,基于GPT的模型只需少量训练样本就能区分正常和异常的EEG记录,其性能与最先进的深度学习模型相当,同时提供了透明的推理步骤。在其他领域,LLM在零样本学习任务上也表现优于专家(Kim等人,2024年)。这些能力,包括少样本学习、可解释性和多模态灵活性,使得LLM在EEG预处理方面具有巨大潜力。据我们所知,目前还缺乏一种基于LLM的EEG代理,它可以通过使用ICA等分析工具来辅助专家审核伪影成分,从而减少人工审核时间和专家的工作负担。
在这里,我们提出了一个闭环的人工参与预处理框架,其中LLM驱动的代理协助专家迭代优化去除伪影的决策。该代理整合了(i)ICA分类(例如ICLabel、ALICE和自定义分类器),(ii)一种根据分类器置信度和残余伪影诊断结果来决定是否需要额外处理的策略,以及(iii)作为重新运行策略和成分排除决策者的LLM。专家可以在处理结束后接受、修改或否决代理的建议,并审查系统为每次迭代生成的数据,从而在出现不确定性或边缘情况时提供保障。我们还使用EEG数据集评估了该框架,评估了伪影检测能力、ICA分类准确性和重建质量以及与人类评审员的一致性。我们的目标是方法论上的:证明一个透明的AI代理工作流程可以提高效率并标准化决策,同时不牺牲专家的监督。通过将可解释的推理和闭环反馈嵌入到熟悉的工具链中,该方法旨在缩小临时手动操作和完全自动化流程之间的差距,使预处理选择明确、可测试并在不同数据集和研究中可重复。

数据集

为了测试概念验证(PoC)AI代理框架,我们使用了三个数据集:来自帕金森病(PD)患者和健康对照组的UC圣地亚哥静息态EEG数据(ds002778)(Rockhill等人,2021年),基于维度的注意力调节早期视觉处理的数据集(ds006563)(Gramann等人,2025年),以及一组我们有真实标签的合成EEG信号。
数据集ds002778包含了31名参与者的静息态EEG记录,其中包括15名PD患者。

结果

文献中评估了多种自动EEG伪影去除工具,通常会报告它们去除脑信号中伪影信号的质量。关键指标包括信噪比(SNR)、信号与伪影比(SAR)、归一化均方误差(NMSE)/RMSE和皮尔逊相关系数(CC)。这些互补指标量化了与专家标签的线性一致性以及绝对重建误差。所提出的系统使用了合成数据和真实数据进行了测试。

讨论

所提出的基于AI的EEG清洗框架的性能与现有的自动化ICA分类工具相当,在某些方面甚至更优。在我们的合成数据评估中,如表1所示,该系统的SNR达到了约67 dB,超过了在相同数据上评估的ICLabel和PSD模型基线。而在表2中,我们采用的多数投票集成方法(结合了ALICE、ICLabel和PSD模型)的表现优于各个单独的模型。

结论

本研究提出了一个基于AI代理的、人工参与其中的半自动化EEG预处理和伪影去除框架。该框架结合了预处理步骤、基于ICA的迭代分类、重建以及使用LLM支持的重新运行决策。ICLabel、ALICE和我们的基于PSD的分类器输出在一个闭环系统中使用,旨在在专家监督下使EEG清洗更加透明、可重复和高效。该框架使用了合成数据和真实数据。

CRediT作者贡献声明

伊利亚·德姆琴科:撰写 – 审稿与编辑。卡马莱丁·穆罕默德·阿明:撰写 – 审稿与编辑。文卡特·巴特:撰写 – 审稿与编辑、监督、概念化。法特梅赫·戈拉马利·内扎德:撰写 – 审稿与编辑。布伦丹·布雷迪:撰写 – 审稿与编辑。安德鲁·尼科尔森:撰写 – 审稿与编辑。保罗·A·弗鲁文:撰写 – 审稿与编辑。本杰明·T·邓克利:撰写 – 审稿与编辑。斯里达尔·克里希南:撰写 – 审稿与编辑、监督。萨梅德·沙亚:原创撰写

资金支持

本研究未获得公共部门、商业部门或非营利机构的任何特定资助。

利益冲突声明

VB得到了多伦多大学精神病学系的学术学者奖的支持,并获得了加拿大卫生研究院、脑与行为基金会、安大略省卫生创新基金、加拿大皇家内科医师学会和外科医师学会、国防部(加拿大政府)、新前沿研究基金、Associated Medical Services Inc医疗保健、美国自杀预防基金会、罗氏加拿大公司的研究支持。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号