Band2CleanFormer：结合特定频段的信号处理与频段间的注意力机制，实现鲁棒的脑电图（EEG）去噪

《Biomedical Signal Processing and Control》：Band2CleanFormer: Integrating band-specific processing and inter-band attention for robust EEG denoising

EEG去噪方法提出分频处理流程，将信号分解为六频段后分别用CNN/LSTM等模型去噪，再通过CNN-Transformer混合模型整合，有效抑制眼动和肌电噪声，保持脑电生理节律，在EEGDenoiseNet数据集上表现优于传统方法。

　　

Battulga Ulziisaikhan|Trong-Nghia Nguyen|Soo-Hyung Kim

韩国光州全南国立大学人工智能融合系

摘要

脑电图（EEG）为神经科学、临床诊断和脑机接口（BCI）系统提供了非侵入性的脑部活动观测窗口，然而记录结果经常受到眼动（EOG）和肌肉活动（EMG）伪迹的干扰，这些伪迹的频谱与神经振荡重叠。这些干扰会降低信噪比，扭曲波形特征，并影响后续分析的可靠性。我们提出了Band2CleanFormer这一基于频率特性的去噪方法：该方法首先通过FFT滤波将EEG信号分解为六个频率范围（五个标准EEG频段和一个高频频段），然后在时间域中对每个频段进行去噪处理，最后通过结合CNN和Transformer的混合模型来模拟频段间的相互依赖关系。这种设计利用了不同频段的伪迹特征（低频的EOG和高频的EMG），在去除干扰的同时保留了具有生理意义的脑电信号。在EEGDenoiseNet基准测试中的评估显示，Band2CleanFormer在各种信噪比条件下均实现了超过0.98的相关系数（EOG）和0.95的相关系数（EMG），其性能始终优于不考虑频段特性的深度学习模型。这些结果表明，结合频段特异性处理和频段间关联分析能够获得适用于临床和神经技术应用的可靠EEG数据。

引言

脑电图（EEG）能够测量由大脑皮层同步活动产生的头皮电位，为神经科学、认知评估和临床监测提供毫秒级精度的信息[1]、[2]、[3]。由于其便携性和高时间分辨率，EEG在癫痫诊断、睡眠分期、工作负荷估计以及实时脑机接口等领域具有广泛应用[4]、[5]。然而，该技术易受非神经源性伪迹的影响：眼动（EOG）、肌肉收缩（EMG）和环境噪声的频谱与神经振荡重叠，使得难以区分真实的脑电信号和干扰成分[6]、[7]。如果不加以处理，这些伪迹会降低信号的可解释性，影响定量生物标志物的准确性，并妨碍其在临床或BCI场景中的应用。虽然硬件改进（如优化电极布局、屏蔽措施或辅助参考通道）可以部分缓解这一问题，但会增加实验复杂性，且无法完全消除残留干扰[8]。基于深度学习的去噪算法能够学习受污染信号与纯净信号之间的非线性映射，无需对信号来源结构做严格假设[9]、[10]、[11]。尽管传统的滤波方法（如CNN及其变体）在捕捉局部波形特征方面表现优异，但它们通常难以处理长距离时间相关性的问题[5]、[12]、[13]。基于Transformer的模型（如EEGDNet和EEGDiR）通过建模全局依赖关系有效抑制伪迹[15]、[16]、[17]，但它们通常将整个EEG信号视为单一频段进行处理，忽略了不同频段伪迹的差异性（例如眼动伪迹主要影响低频段，而肌肉活动伪迹主要影响高频段）。我们的方法将EEG信号明确分解为六个频率范围，并分别使用针对不同频段的卷积滤波器进行处理，最后通过Transformer编码器重新整合这些信号，从而在保留生理特征的同时有效去除伪迹。

EEG去噪仍然具有挑战性，因为伪迹的频谱与神经活动高度重叠。眼动（EOG）和肌肉活动（EMG）产生的干扰会显著改变脑电信号的幅度、时序和相位特性。传统的去噪方法往往在处理这类干扰时无法准确区分脑电信号和伪迹。现有的基于深度学习的方法通常针对特定数据集或噪声特征进行优化，难以泛化到包含多种伪迹类型或个体差异的样本。因此，我们需要一种能够同时处理多种类型干扰并保留生理信息的统一去噪策略。

方法细节

我们的去噪流程首先使用FFT将原始EEG信号分解为六个频率范围，然后通过逆FFT将每个频段的频谱转换回时间域，并使用针对其统计特性的深度学习模型进行去噪。最终合并处理后的信号，既去除了伪迹，又保留了用于后续神经科学和临床分析的生理特征[31]、[34]。图1展示了该流程的示意图。

数据集

实验中我们使用了Zhang等人[33]开发的EEGDenoiseNet数据集，该数据集为EEG伪迹去除提供了基准。该数据集包含4514个256 Hz和512 Hz采样率的纯净EEG记录，以及3400个256 Hz采样率的EOG片段和5598个512 Hz采样率的EMG片段。

结论

本文提出了一种基于深度学习的EEG去噪方法，该方法利用EEG频段的特性来提升去噪效果。首先，通过FFT将EEG信号分解为六个频段，然后为每个频段分别训练独立的深度学习模型（CNN、LSTM和1D-ResCNN），并在时间域中合并处理后的信号以获得纯净的EEG结果。

作者贡献声明

Battulga Ulziisaikhan：负责撰写、审稿与编辑、软件开发及方法论设计。Trong-Nghia Nguyen：负责撰写、审稿与编辑、原始稿件撰写、数据可视化、软件开发及方法论研究。Soo-Hyung Kim：负责撰写、审稿与编辑、原始稿件撰写、项目管理工作及实验设计。

利益冲突声明

作者声明如下潜在的财务利益或个人关系可能影响本研究结果：Soo-Hyung Kim表示获得了全南国立大学的资金支持。其他作者均声明没有可能影响研究结果的财务利益或个人关系。

致谢

本研究得到了信息与通信技术规划与评估研究所（IITP）的支持，该项目属于人工智能融合创新人力资源开发计划（IITP-2023-RS-2023-00256629），由韩国政府（MSIT）资助；同时得到了ITRC（信息技术研究中心）的支持（IITP-2025-RS-2024-00437718），以及韩国国家研究基金会（NRF）（RS-2023-00219107）的资助。