Journal of Neural Engineering· Benjamin J Choi, Griffin Milsap, Clara A Scholl, Francesco Tenore and Mattson Ogg·· 24 天前AI 评分31
基于统计混合专家框架的 EEG 中 EMG 伪迹去除：实证洞察与概念验证应用
A statistical mixture-of-experts framework for EMG artifact removal in EEG: empirical insights and a proof-of-concept application
AI 导读
研究提出一种由混合专家（MoE）框架驱动的单通道信号滤波算法，用于去除 EEG 中的 EMG 伪迹，其依据三条统计洞察：EMG 伪迹可划分为可量化类型、在更窄信噪比范围训练的局部专家可通过专门化提升性能、基于相关性的目标函数配合重缩放算法可加快神经网络去噪收敛。
AI 要点
团队
作者为 Benjamin J Choi、Griffin Milsap、Clara A Scholl、Francesco Tenore、Mattson Ogg，末位作者 Mattson Ogg。
主要结果
MoE 去噪模型在 EEGdenoiseNet 上总体性能与当代 ML 去噪算法相当，在高噪声下下界表现强；在 SEED 语料上高噪声污染下下游分类增益具统计显著性。
解决什么问题
现有基于神经网络的 EEG 肌电（EMG）伪迹去噪模型在高噪声环境下表现欠佳。
方法
提出单通道信号滤波算法，基于混合专家（MoE）框架，由卷积与循环神经网络构成；在 67 名受试者的 EEGdenoiseNet 基准数据集上测试，并在 SEED 语料上验证。
局限
原文称这些为初步结果（preliminary results）；从研究设计看，为概念验证性应用。
AI 依据原文整理，未经人工核对。
来源：Journal of Neural Engineering · iopscience.iop.org