DOI: https://doi.org/10.1038/s41598-025-98653-1
PMID: https://pubmed.ncbi.nlm.nih.gov/40461599
تاريخ النشر: 2025-06-03
المؤلف: Rui Jiang وآخرون
الموضوع الرئيسي: تخطيط الدماغ وواجهات الدماغ-الكمبيوتر
نظرة عامة
تتناول ورقة البحث التحديات المتعلقة بإزالة آثار تخطيط الدماغ الكهربائي (EEG)، وهي قضية حاسمة في معالجة إشارات EEG بسبب وجود أنواع مختلفة من الضوضاء الفسيولوجية وغير الفسيولوجية التي يمكن أن تؤثر على جودة البيانات. تقدم الدراسة CLEnet، وهو نموذج جديد للتعلم العميق يدمج الشبكات العصبية التلافيفية ذات المقاييس المزدوجة (CNN) وشبكات الذاكرة طويلة وقصيرة المدى (LSTM)، معززة بآلية الانتباه متعددة المقاييس الفعالة أحادية البعد (EMA-1D). تم تصميم CLEnet لاستخراج الميزات الشكلية والزمانية من إشارات EEG بشكل فعال، مما يمكنه من فصل النشاط العصبي الحقيقي عن الآثار. تظهر النتائج التجريبية أن CLEnet يتفوق على الطرق الحالية، محققًا تحسينات بنسبة 2.45% في نسبة الإشارة إلى الضوضاء (SNR) و2.65% في معامل الارتباط المتوسط (CC)، بالإضافة إلى تقليل كبير في خطأ الجذر التربيعي النسبي في كل من المجالات الزمنية والترددية.
تتكون بنية CLEnet من ثلاثة وحدات رئيسية: وحدة استخراج الميزات الشكلية لتمييز الآثار عن الإشارات العصبية، وحدة تعزيز الميزات الزمنية التي تعزز ديناميات الإشارة، ووحدة دمج وإعادة بناء الميزات لتوليد إشارات EEG خالية من الآثار. يتم تسليط الضوء على قوة النموذج ضد الآثار المختلطة وغير المعروفة، مما يظهر قابليته للتكيف مع السيناريوهات الواقعية المعقدة. كما تؤسس الدراسة مجموعة بيانات مرجعية تحتوي على 32 قناة EEG تحتوي على آثار غير معروفة، مما يسهل البحث المستقبلي في إزالة الآثار متعددة القنوات. بشكل عام، يمثل CLEnet تقدمًا كبيرًا في منهجيات إزالة آثار EEG، مما يبرز الحاجة إلى نماذج يمكن أن تعمل بشكل فعال في بيئات الضوضاء الديناميكية. ستسعى الأعمال المستقبلية إلى تعزيز استخراج الميزات في مجال التردد واستكشاف آليات الانتباه عبر الأنماط لتحسين أداء النموذج بشكل أكبر.
النتائج
في هذا القسم، يقدم المؤلفون نتائج تدريب وتحقق نموذج CLEnet باستخدام مجموعتين بيانات شبه محاكاة متاحة للجمهور وقناة واحدة، ومجموعة بيانات EEG متعددة القنوات مملوكة. يركز التقييم على ثلاثة مقارنات رئيسية: أولاً، فعالية CLEnet في إزالة تخطيط العضلات (EMG) وتخطيط العين (EOG) والآثار المختلطة (EMG + EOG) من بيانات EEG أحادية القناة، مقارنة بالنماذج السائدة؛ ثانيًا، أداؤه في إزالة آثار تخطيط القلب (ECG) من EEG أحادية القناة؛ وثالثًا، قدرته على معالجة الآثار غير المعروفة في EEG متعددة القنوات، مقارنة أيضًا بالنماذج المعروفة ومن خلال تجارب الإزالة.
تشير النتائج إلى أن CLEnet يظهر أداءً متفوقًا في إزالة الآثار عبر السيناريوهات التي تم تقييمها، مما يبرز إمكانيته كأداة فعالة لتحسين جودة إشارات EEG من خلال تقليل أنواع مختلفة من الضوضاء. تؤكد النتائج على قوة النموذج ومرونته في التعامل مع كل من الآثار المعروفة وغير المعروفة في بيانات EEG.
المناقشة
في هذا القسم، يناقش المؤلفون بنية ومنهجيات نموذجهم المقترح، CLEnet، الذي يدمج الشبكات العصبية التلافيفية (CNN) وآلية الانتباه متعددة المقاييس الفعالة-1D (EMA-1D) وشبكات الذاكرة طويلة وقصيرة المدى (LSTM) لتعزيز استخراج وإعادة بناء إشارات EEG. تم تصميم مكون CNN لالتقاط الميزات الشكلية من بيانات EEG من خلال فرعين يستخدمان نوى تلافيفية بأحجام مختلفة، مما يسمح باستخراج الميزات على مقاييس متعددة. تقوم وحدة EMA-1D بتحسين هذه العملية من خلال معالجة قيود آليات الانتباه التقليدية، مع التركيز على كل من الاعتماديات القصيرة والطويلة الأجل في إشارات EEG مع تحسين الكفاءة الحاسوبية.
يتم استخدام مكون LSTM لنمذجة الاعتماديات الزمنية، مما يدير بفعالية التحديات المتعلقة بتلاشي التدرجات ويعزز قدرة النموذج على التقاط الميزات الديناميكية المتأصلة في إشارات EEG. تم هيكلة البنية في ثلاث مراحل: استخراج الميزات الشكلية، تعزيز الميزات الزمنية، وإعادة بناء EEG النهائية. يؤكد المؤلفون على أهمية الميزات الشكلية في التمييز بين إشارات EEG الملوثة بالآثار والنظيفة، مما يبرز دور الهيكل الثنائي الفرع في تحسين تمثيل الميزات وكفاءة الحساب. تستخدم عملية التدريب متوسط الخطأ التربيعي (MSE) كدالة خسارة، بهدف تقليل الفرق بين إشارات EEG المعاد بناؤها والنظيفة، مع مقاييس الأداء بما في ذلك نسبة الإشارة إلى الضوضاء (SNR) وخطأ الجذر التربيعي النسبي (RRMSE) لتقييم فعالية النموذج.
DOI: https://doi.org/10.1038/s41598-025-98653-1
PMID: https://pubmed.ncbi.nlm.nih.gov/40461599
Publication Date: 2025-06-03
Author(s): Rui Jiang et al.
Primary Topic: EEG and Brain-Computer Interfaces
Overview
The research paper discusses the challenges of EEG artifact removal, a critical issue in EEG signal processing due to the presence of various physiological and non-physiological noise that can compromise data quality. The study introduces CLEnet, a novel deep learning model that integrates dual-scale Convolutional Neural Networks (CNN) and Long Short-Term Memory (LSTM) networks, enhanced by an improved One-Dimensional Efficient Multi-Scale Attention Mechanism (EMA-1D). CLEnet is designed to effectively extract both morphological and temporal features from EEG signals, enabling it to separate genuine neural activity from artifacts. Experimental results demonstrate that CLEnet outperforms existing methods, achieving improvements of 2.45% in signal-to-noise ratio (SNR) and 2.65% in average correlation coefficient (CC), along with significant reductions in relative root mean square error in both temporal and frequency domains.
The architecture of CLEnet comprises three key modules: a morphological feature extraction module for distinguishing artifacts from neural signals, a temporal feature enhancement module that reinforces signal dynamics, and a feature fusion and reconstruction module for generating artifact-free EEG signals. The model’s robustness against mixed and unknown artifacts is highlighted, showcasing its adaptability to complex real-world scenarios. The study also establishes a benchmark dataset of 32-channel EEG containing unknown artifacts, facilitating future research in multi-channel artifact removal. Overall, CLEnet represents a significant advancement in EEG artifact removal methodologies, emphasizing the need for models that can operate effectively in dynamic noise environments. Future work will aim to enhance frequency-domain feature extraction and explore cross-modal attention mechanisms to further improve the model’s performance.
Results
In this section, the authors present the results of training and validating the CLEnet model using two publicly available single-channel semi-simulated datasets and one proprietary multi-channel EEG dataset. The evaluation focuses on three key comparisons: first, the effectiveness of CLEnet in removing electromyography (EMG), electrooculography (EOG), and mixed artifacts (EMG + EOG) from single-channel EEG data, benchmarked against mainstream models; second, its performance in eliminating electrocardiography (ECG) artifacts from single-channel EEG; and third, its capability to address unknown artifacts in multi-channel EEG, also compared with established models and through ablation experiments.
The findings indicate that CLEnet demonstrates superior performance in artifact removal across the evaluated scenarios, highlighting its potential as an effective tool for enhancing the quality of EEG signals by mitigating various types of noise. The results underscore the model’s robustness and versatility in handling both known and unknown artifacts in EEG data.
Discussion
In this section, the authors discuss the architecture and methodologies of their proposed model, CLEnet, which integrates Convolutional Neural Networks (CNN), Efficient Multi-scale Attention-1D (EMA-1D), and Long Short-Term Memory (LSTM) networks to enhance the extraction and reconstruction of EEG signals. The CNN component is designed to capture morphological features from EEG data through dual branches that utilize convolutional kernels of varying sizes, allowing for the extraction of features at multiple scales. The EMA-1D module further refines this process by addressing the limitations of traditional attention mechanisms, focusing on both short-term and long-term dependencies in EEG signals while optimizing computational efficiency.
The LSTM component is employed to model temporal dependencies, effectively managing the challenges of vanishing gradients and enhancing the model’s ability to capture dynamic features inherent in EEG signals. The architecture is structured into three stages: morphological feature extraction, temporal feature enhancement, and final EEG reconstruction. The authors emphasize the importance of morphological features in distinguishing between artifact-contaminated and clean EEG signals, highlighting the dual-branch structure’s role in improving feature representation and computational efficiency. The training process utilizes Mean Squared Error (MSE) as the loss function, aiming to minimize the difference between reconstructed and clean EEG signals, with performance metrics including Signal-to-Noise Ratio (SNR) and Root Relative Mean Square Error (RRMSE) to evaluate the model’s effectiveness.