脑电分析——学习笔记
学习笔记
- 学习内容
- 学习感受
学习内容
① EEGANet: Removal of Ocular Artifacts From the EEG Signal Using Generative Adversarial Networks
EEGANet 是一种基于 生成对抗网络（GAN）的脑电信号眼动伪迹去除方法。主要的贡献和特点：
（1）问题背景：
- EEG 数据中，眼动伪迹严重影响信号分析，尤其是用于脑机接口应用时。
- 传统的方法需要 EOG 信号 或 眼动检测算法 ，增加实现复杂性。
（2）方法创新
- EEGANet 使用 GAN 来学习去除眼动伪迹的映射，无需依赖 EOG 或眼动检测。
（3）模型能力
- 能生成多通道 EEG 信号。
- 在眼动伪迹去除上，与依赖 EOG 的传统方法性能接近。
- EEGANet 处理后的信号分类性能与传统方法相当，即使没有 EOG 信号。
本周实践内容：
-
上周：运行代码，输出原图像与去伪迹后的图像对比。
-
本周：导出模型处理后的数据并保存。
- 过程：
-
- 将原 .edf 文件转为 .npy 文件（符合模型输入格式）。
-
- 模型要求 58 通道，而我们的数据只有 36 通道，于是补零到 58 通道。
-
- 输入模型进行去伪迹处理。
-
- 模型输出 .npy 文件后，删除多余 22 个通道，恢复到 36 通道。
-
- 转回 .edf 文件，并输出为 .csv。
-
问题：目前生成的结果看起来不太正确
② Adaptive Single-Channel EEG Artifact Removal With Applications to Clinical Monitoring
论文的主要内容：
- 提出 WQN（Wavelet Quantile Normalization）方法，针对单通道 EEG 信号进行自适应伪迹去除 。
- 利用小波分解将信号分解到不同频带，通过分位数归一化去除异常波动。
- 可实时抑制肌电、运动及眼动伪迹，无需多通道或参考通道。
实践过程：
- 复现结果如下：（但复现好之后发现它是针对单通道的，不知道需不需要再进一步深入）
学习感受
通过本周的实践，我比较深入的了解了复现代码的步骤。在实际操作中，我体会到数据预处理、通道对齐及模型输出处理等细节对最终结果影响很大，感受到每一个步骤的细微操作都可能导致结果偏差，这让我认识到在 EEG 信号处理与代码的复现中，细节是非常重要的。