SSDLabeler：用于脑电图（EEG）中多标签伪影分类的逼真半合成数据生成

《Scientific Reports》：SSDLabeler: realistic semi-synthetic data generation for multi-label artifact classification in EEG

　　

摘要

脑电图（EEG）记录本质上会受到眼动、肌肉活动以及环境噪声等伪迹的干扰，这些伪迹会掩盖神经活动并使预处理变得复杂。伪迹分类方法在稳定性和透明度方面具有优势，是基于独立成分分析（ICA）方法的可行替代方案，能够与人工检查结合使用，并适用于多种应用场景。然而，伪迹分类的效果受到训练数据的限制，因为该方法需要大量的手动标注工作，而这无法完全涵盖现实世界中脑电图数据的多样性。为了解决这一问题，研究人员提出了半合成数据（SSD）方法。但以往的方法通常仅使用ICA成分来模拟单一类型的伪迹，或者需要单独记录伪迹信号，这既降低了生成数据的真实性，也限制了该方法的应用范围。为了解决这些问题，我们开发了SSDLabeler框架：该框架通过ICA分解真实脑电图数据，利用均方根（RMS）和功率谱密度（PSD）标准进行伪迹验证，并将多种类型的伪迹重新注入到干净的数据中，从而生成具有真实感的、带有注释的半合成数据。在用于训练多标签伪迹分类器时，与传统的基于半合成数据或原始脑电图的数据训练方法相比，该方法在多种条件下的分类准确性得到了提升，为伪迹处理奠定了可扩展的基础，能够准确捕捉到真实脑电图数据中的伪迹共现现象及其复杂性。