基于多分支特征生成对抗网络的脑电信号去噪方法

摘要

[目的]针对单分支深度学习模型在脑电(electroencephalography, EEG)信号去噪的应用中存在特征提取能力不足、细节信息丢失、易受对抗样本攻击等问题，提出一种基于多分支特征生成对抗网络(multi-level feature generation adversarial network, MFGAN),以提升对EEG信号的去噪性能.[方法]构建多分支生成器：分别采用卷积神经网络(convolution neural network, CNN)提取浅层特征，利用基于Transformer的编码器获取上下文关联特征，加深CNN结构以捕获深层复杂细节特征；设计基于注意力机制的特征自筛选融合模块(feature self-filtering fusion module, FSFM),采用并行结构结合自注意力机制和通道注意力机制提炼优化特征融合，剔除噪声成分.采用生成对抗的方式训练参数，提升生成质量和抗攻击能力.[结果]在EEGdenoisenet和MIT-BIH arrhythmia数据集上的定性和定量实验表明：在多种单一伪影或混合伪影干扰下，MFGAN的相关系数、信噪比、相对均方根误差均表现最优，且能有效减少波形失真和峰值溢出.[结论] MFGAN通过多分支特征提取与注意力机制融合，显著提升了EEG去噪效果，为EEG信号处理提供了可靠方法，适用于复杂噪声环境.

关键词

脑电信号 / 伪影消除 / 生成对抗网络 / 多分支生成器 / 注意力机制