DOI: https://doi.org/10.1038/s41598-024-75091-z
PMID: https://pubmed.ncbi.nlm.nih.gov/39414897
تاريخ النشر: 2024-10-16
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: تخطيط الدماغ وواجهات الدماغ-الكمبيوتر
نظرة عامة
تقدم البحث “AnEEG”، وهو نموذج جديد للتعلم العميق مصمم لتحسين جودة إشارات تخطيط الدماغ الكهربائي (EEG) من خلال إزالة مختلف العوامل المعيقة مثل ومضات العين، ونشاط العضلات، والضوضاء البيئية بشكل فعال. باستخدام شبكة خصومة توليدية (GAN) مدمجة مع طبقات الذاكرة طويلة وقصيرة الأجل (LSTM)، يظهر AnEEG أداءً متفوقًا مقارنةً بتقنيات تحليل الموجات التقليدية. تكشف التقييمات الكمية أن AnEEG يحقق قيمًا أقل من الخطأ المربّع المتوسط المنظم (NMSE) وجذر الخطأ المربّع المتوسط (RMSE)، مما يشير إلى توافق أقرب مع الإشارات الأصلية، إلى جانب قيم أعلى من معامل الارتباط (CC)، ونسبة الإشارة إلى الضوضاء (SNR)، ونسبة الإشارة إلى العوامل المعيقة (SAR).
تُبرز متانة النموذج من خلال قدرته على التعامل مع مجموعة واسعة من العوامل المعيقة عبر مجموعات بيانات متنوعة، بما في ذلك السيناريوهات الواقعية الصعبة مثل مجموعة بيانات SAM-40. يتفوق AnEEG على الطرق الحالية، بما في ذلك تحليل المكونات المستقلة (ICA) وغيرها من الأساليب المعتمدة على GAN، لا سيما في كفاءته وقابليته للتكيف للتطبيقات في الوقت الحقيقي. على عكس الطرق التقليدية التي قد تتطلب معرفة مسبقة بترددات العوامل المعيقة أو تدخل يدوي، يقوم AnEEG بأتمتة عملية إزالة العوامل المعيقة ويعمل بشكل فعال عبر نطاقات ترددات متنوعة. تبرز مقاييس التقييم الشاملة المستخدمة في هذه الدراسة فعالية النموذج في تحسين جودة بيانات EEG، مما يسهل أبحاثًا وتشخيصات سريرية أكثر دقة في علم الأعصاب.
طرق
في هذه الدراسة، يتناول المؤلفون تحدي إزالة العوامل المعيقة من بيانات EEG، معترفين بأن الخوارزميات الحالية تفشل في القضاء تمامًا على جميع أنواع العوامل المعيقة. يقترحون استخدام الشبكات الخصومية التوليدية (GANs) كنهج جديد لتقليل الضوضاء في إشارات EEG، وهو أمر ذو صلة خاصة بتطبيقات واجهة الدماغ-الكمبيوتر المتقدمة (BCI). تتضمن المنهجية مولدًا يقوم بمعالجة إشارات EEG المليئة بالضوضاء لإنتاج نسخ نظيفة، بينما يقوم مميز بتقييم المخرجات الناتجة مقارنةً بالإشارات النظيفة الفعلية. تعزز هذه العملية التدريبية الخصومية بشكل تكراري جودة بيانات EEG المزالة الضوضاء.
يتم تمثيل بنية GAN المقترحة بصريًا في الشكل 3، الذي يوضح الإطار لعملية إزالة الضوضاء. من خلال الاستفادة من القدرات الترميمية لـ GANs، تهدف الدراسة إلى تحسين جودة بيانات EEG بشكل كبير، مما يسهل تحليل BCI أكثر دقة وموثوقية.
نتائج
أظهر نموذج إزالة الضوضاء المقترح لإشارات EEG فعالية كبيرة في إزالة العوامل المعيقة مع الحفاظ على بيانات إشارات الدماغ الحيوية. خلال التدريب، تم تحسين النموذج باستخدام 80% من مجموعة البيانات، مما أظهر انخفاضًا مستمرًا في قيم الخسارة، مما يشير إلى تعلم ناجح. في مرحلة الاختبار، باستخدام الـ 20% المتبقية من مجموعة البيانات، تم تقييم النموذج كميًا باستخدام مقاييس مثل الخطأ المربّع المتوسط المنظم (NMSE)، وجذر الخطأ المربّع المتوسط (RMSE)، ومعامل الارتباط (CC)، ونسبة الإشارة إلى الضوضاء (SNR)، ونسبة الإشارة إلى العوامل المعيقة (SAR). كشفت النتائج أن الإشارات المزالة الضوضاء تطابقت بشكل وثيق مع إشارات EEG الأصلية، حيث كانت قيم NMSE المتوسطة للنموذج المقترح أقل بكثير من تلك الخاصة بالطرق المعتمدة على الموجات، مما يشير إلى الحفاظ الأفضل على خصائص الإشارة الأصلية.
على وجه التحديد، كانت قيم NMSE المتوسطة للإشارات الناتجة 0.0320، 0.0195، 0.0131، و0.0089 لعوامل ومضات العين، وحركة العين، والمضغ، وتشنج الأسنان، على التوالي، مقارنةً بقيم أعلى للإشارات المزالة الضوضاء باستخدام الموجات. كما أظهر النموذج أيضًا قيم CC متوسطة أعلى، مما يشير إلى علاقة خطية أقوى مع الإشارات الأصلية. علاوة على ذلك، أظهر تحليل SNR عبر نطاقات ترددات متنوعة أن النموذج المقترح تفوق باستمرار على كل من الإشارات الخام والإشارات المزالة الضوضاء باستخدام الموجات، مع تحسينات ملحوظة في جودة الإشارة مع زيادة التردد. أكدت قيم SAR أيضًا أداء النموذج المتفوق في إزالة العوامل المعيقة، حيث حققت الطريقة المعتمدة على GAN متوسطات أعلى عبر جميع أنواع العوامل المعيقة مقارنةً بطريقة DWT. بشكل عام، تؤكد النتائج فعالية النموذج في تحسين جودة إشارات EEG مع الاحتفاظ بمعلومات النشاط الدماغي الأساسية.
مناقشة
في قسم المناقشة من ورقة البحث، يستعرض المؤلفون منهجيات مختلفة لإزالة العوامل المعيقة من إشارات EEG، مؤكدين فعالية الشبكات الخصومية التوليدية (GANs) في هذا المجال. يبرزون عدة دراسات نفذت بنجاح GANs لتقليل الضوضاء في بيانات EEG، كل منها تستخدم تقنيات ومجموعات بيانات فريدة. على سبيل المثال، قدم يانغ آن وآخرون طريقة إزالة ضوضاء تلقائية تعتمد على GAN استخدمت دالة خسارة جديدة للحفاظ على المعلومات الأصلية أثناء تصفية الضوضاء. طور إوين بروفي وآخرون خط أنابيب تحت إشراف GAN قارن بشكل فعال بين إشارات EEG المليئة بالضوضاء والنظيفة، محققًا تحسينات كبيرة في إزالة العوامل المعيقة. تشمل المساهمات البارزة الأخرى استخدام تيان-جيان لو وآخرون لدالة خسارة تعتمد على مسافة فاسرشتاين لإعادة بناء الإشارات وGCTNet لجين يين، الذي جمع بين الشبكات التحويلية وGANs لتعزيز أداء إزالة الضوضاء.
كما يناقش المؤلفون approaches مختلفة تتجاوز GANs، مثل نموذج شبكة الروابط الوظيفية العشوائية (RVFLN) ونموذج Attention Guided Operational CycleGAN (AGO-CycleGAN)، التي أظهرت نتائج واعدة في إزالة العوامل المعيقة البصرية والحركية. يقدمون نظرة شاملة على مجموعات البيانات المستخدمة، والمنهجيات المعتمدة، ومقاييس الأداء المبلغ عنها في الأدبيات، مما يبرز التقدم في تقنيات إزالة العوامل المعيقة من EEG. يختتم القسم بجدول تفصيلي يلخص النتائج، والمنهجيات، والقيود للدراسات المراجعة، موضحًا التطور المستمر والتحديات في مجال معالجة إشارات EEG.
DOI: https://doi.org/10.1038/s41598-024-75091-z
PMID: https://pubmed.ncbi.nlm.nih.gov/39414897
Publication Date: 2024-10-16
Author(s): Zhenyun Du et al.
Primary Topic: EEG and Brain-Computer Interfaces
Overview
The research presents “AnEEG,” a novel deep learning model designed to enhance the quality of electroencephalography (EEG) signals by effectively removing various artifacts such as eye blinks, muscle activity, and environmental noise. Utilizing a Generative Adversarial Network (GAN) combined with Long Short-Term Memory (LSTM) layers, AnEEG demonstrates superior performance compared to traditional wavelet decomposition techniques. Quantitative evaluations reveal that AnEEG achieves lower Normalized Mean Squared Error (NMSE) and Root Mean Squared Error (RMSE) values, indicating a closer alignment with original signals, alongside higher Correlation Coefficient (CC), Signal-to-Noise Ratio (SNR), and Signal-to-Artifact Ratio (SAR) metrics.
The model’s robustness is highlighted through its ability to handle a wide range of artifacts across diverse datasets, including challenging real-world scenarios like the SAM-40 dataset. AnEEG outperforms existing methods, including Independent Component Analysis (ICA) and other GAN-based approaches, particularly in its efficiency and adaptability for real-time applications. Unlike traditional methods that may require prior knowledge of artifact frequencies or manual intervention, AnEEG automates the artifact removal process and operates effectively across various frequency bands. The comprehensive evaluation metrics employed in this study underscore the model’s efficacy in improving EEG data quality, thereby facilitating more accurate research and clinical diagnostics in neuroscience.
Methods
In this study, the authors address the challenge of artifact removal in EEG data, recognizing that existing algorithms fail to completely eliminate all types of artifacts. They propose the use of Generative Adversarial Networks (GANs) as a novel approach for denoising EEG signals, which is particularly relevant for advanced Brain-Computer Interface (BCI) applications. The methodology involves a generator that processes noisy EEG signals to produce clean versions, while a discriminator evaluates the generated outputs against actual clean signals. This adversarial training process iteratively enhances the quality of the denoised EEG data.
The proposed GAN architecture is visually represented in Figure 3, which outlines the framework for the denoising process. By leveraging the reconstructive capabilities of GANs, the study aims to significantly improve the quality of EEG data, thereby facilitating more accurate and reliable BCI analysis.
Results
The proposed denoising model for EEG signals demonstrated significant efficacy in removing artifacts while preserving critical brain signal data. During training, the model was optimized using 80% of the dataset, showing a consistent decrease in loss values, indicating successful learning. In the testing phase, utilizing the remaining 20% of the dataset, the model was quantitatively assessed using metrics such as Normalized Mean Squared Error (NMSE), Root Mean Squared Error (RMSE), Correlation Coefficient (CC), Signal-to-Noise Ratio (SNR), and Signal-to-Artifact Ratio (SAR). The results revealed that the denoised signals closely matched the original EEG signals, with average NMSE values for the proposed model being significantly lower than those of wavelet-based methods, indicating better preservation of the original signal characteristics.
Specifically, the average NMSE values for the generated signals were 0.0320, 0.0195, 0.0131, and 0.0089 for eye blink, eye movement, chewing, and clenching teeth artifacts, respectively, compared to higher values for wavelet-denoised signals. The model also exhibited higher average CC values, indicating a stronger linear relationship with the original signals. Furthermore, SNR analysis across various frequency bands demonstrated that the proposed model consistently outperformed both raw and wavelet-denoised signals, with notable improvements in signal quality as frequency increased. The SAR values further confirmed the model’s superior performance in artifact removal, with the GAN-based method achieving higher averages across all artifact types compared to the DWT method. Overall, the findings underscore the model’s effectiveness in enhancing EEG signal quality while retaining essential brain activity information.
Discussion
In the discussion section of the research paper, the authors review various methodologies for artifact removal from EEG signals, emphasizing the effectiveness of Generative Adversarial Networks (GANs) in this domain. They highlight several studies that have successfully implemented GANs for denoising EEG data, each employing unique techniques and datasets. For instance, Yang An et al. introduced a GAN-based automatic denoising method that utilized a novel loss function to preserve original information while filtering noise. Eoin Brophy et al. developed a GAN-supervised pipeline that effectively compared noisy and clean EEG signals, achieving significant improvements in artifact removal. Other notable contributions include Tian-Jian Luo et al.’s use of a Wasserstein distance-based loss function for signal reconstruction and Jin Yin et al.’s GCTNet, which combined transformer networks with GANs to enhance denoising performance.
The authors also discuss various approaches beyond GANs, such as the Random Vector Functional Link Network (RVFLN) model and the Attention Guided Operational CycleGAN (AGO-CycleGAN), which have shown promising results in removing ocular and motion artifacts. They provide a comprehensive overview of the datasets used, methodologies employed, and the performance metrics reported in the literature, underscoring the advancements in EEG artifact removal techniques. The section concludes with a detailed table summarizing the findings, methodologies, and limitations of the reviewed studies, illustrating the ongoing evolution and challenges in the field of EEG signal processing.