EEGdenoiseNet

EEGdenoiseNet是由南方科技大学深圳智能医疗工程实验室创建的一个专为EEG去噪深度学习模型训练和测试设计的基准数据集。该数据集包含4514个纯净EEG片段、3400个眼电图（EOG）片段和5598个肌电图（EMG）片段，允许用户合成带有真实纯净EEG的污染EEG片段。数据集通过预处理和专家视觉检查确保数据质量，适用于评估和比较不同深度学习模型的去噪性能。EEGdenoiseNet的应用领域主要集中在解决EEG信号中的噪声和伪影问题，特别是在心理学、神经学和精神病学研究以及脑机接口中。

EEGdenoiseNet is a benchmark dataset created by the Shenzhen Intelligent Medical Engineering Laboratory of Southern University of Science and Technology, specifically designed for training and testing deep learning models for EEG denoising. This dataset contains 4514 clean EEG segments, 3400 electrooculogram (EOG) segments, and 5598 electromyogram (EMG) segments, enabling users to synthesize contaminated EEG segments paired with their corresponding ground-truth clean EEGs. The dataset ensures data quality through preprocessing and expert visual inspection, and is suitable for evaluating and comparing the denoising performance of various deep learning models. The application fields of EEGdenoiseNet mainly focus on addressing noise and artifact problems in EEG signals, particularly in psychological, neurological, and psychiatric research, as well as brain-computer interfaces.

搜集汇总

数据集介绍

构建方式

EEGdenoiseNet数据集的构建旨在为深度学习模型提供一个基准数据集，用于训练和测试脑电图（EEG）去噪模型。该数据集包含了4514个干净的EEG片段、3400个眼动伪迹片段和5598个肌电伪迹片段。为了获得干净的EEG信号，研究者们从多个公开数据源中下载了EEG、EOG和EMG数据，并对这些数据进行了预处理，包括滤波、独立成分分析（ICA）去除伪迹、重采样、归一化和专家视觉检查。数据被分割成2秒的片段，以保留EEG的时间频率特性。为了生成含伪迹的EEG片段，研究者们将干净的EEG片段与EOG或EMG伪迹片段线性混合，并调整信噪比（SNR）以模拟不同的噪声水平。

特点

EEGdenoiseNet数据集的特点在于其结构化和标准化，以及包含的多种类型的EEG片段和伪迹片段。数据集的每个类别都有足够的样本数量，可以用于训练和测试深度学习模型。此外，数据集还提供了一个用于生成含伪迹的EEG片段的公式，并提供了四种深度学习网络（全连接网络、简单和复杂卷积网络、循环神经网络）的基准模型。这些基准模型在数据集上进行了训练和评估，为其他研究者提供了性能比较的标准。

使用方法

使用EEGdenoiseNet数据集时，研究者可以首先通过线性混合干净的EEG片段和伪迹片段来生成含伪迹的EEG片段。这些片段可以作为深度学习模型的输入，而干净的EEG片段可以作为模型的输出目标。研究者可以使用数据集中的基准模型来评估其模型的性能，并使用提供的性能指标（如相对均方根误差和相关性系数）来比较不同模型的去噪效果。数据集和代码可以在GitHub上找到，方便研究者进行下载和使用。

背景与挑战

背景概述

脑电图（EEG）信号处理领域近年来逐渐引入了深度学习网络，这些模型在性能上与传统技术相媲美。然而，由于缺乏结构化和标准化的数据集，深度学习解决方案在EEG去噪方面的发展受到了限制。为了解决这个问题，张皓明等研究人员于2021年创建了EEGdenoiseNet数据集，这是一个基准EEG数据集，旨在用于训练和测试基于深度学习的去噪模型，以及跨模型的性能比较。EEGdenoiseNet包含4514个干净的EEG片段、3400个眼动伪影片段和5598个肌肉伪影片段，允许用户合成包含真实干净EEG的污染EEG片段。通过使用EEGdenoiseNet，研究人员评估了四种经典网络（全连接网络、简单和复杂卷积网络以及循环神经网络）的去噪性能。分析表明，即使在高度噪声污染的情况下，深度学习方法在EEG去噪方面也具有巨大潜力。EEGdenoiseNet数据集的创建对相关领域产生了深远影响，推动了基于深度学习的EEG去噪这一新兴领域的发展。

当前挑战

EEGdenoiseNet数据集面临的挑战主要表现在以下几个方面：1) 所解决的领域问题，即EEG去噪的挑战。EEG信号包含大脑活动、眼动伪影和肌肉伪影等多种噪声和伪影，需要开发有效的去噪方法来提取干净的大脑活动信号。2) 构建过程中所遇到的挑战。为了构建一个高质量的EEG去噪数据集，需要克服数据采集、预处理、合成污染EEG片段等方面的困难。3) 深度学习模型的泛化能力。尽管EEGdenoiseNet数据集提供了大量的训练和测试数据，但对于更复杂的神经网络模型，可能需要更大的数据集来提高泛化能力。4) 多通道EEG去噪。目前EEGdenoiseNet数据集主要针对单通道EEG去噪，未来需要扩展到多通道EEG数据集，以学习空间特征并提高去噪性能。5) 无监督深度学习模型的应用。在没有干净EEG信号和伪影金标准的情况下，无监督深度学习模型可能成为解决EEG去噪问题的重要工具。

常用场景

经典使用场景

EEGdenoiseNet数据集为深度学习算法提供了丰富的训练和测试资源，特别是在脑电图（EEG）信号的去噪领域。该数据集包含了4514个干净的EEG片段、3400个纯眼电图（EOG）片段和5598个纯肌电图（EMG）片段，允许用户合成包含真实干净EEG的受污染EEG片段。通过线性混合纯EEG片段与EOG或EMG片段，用户可以调整信号噪声比（SNR），从而生成半合成数据集，用于训练和测试深度学习去噪模型。该数据集的经典使用场景包括对深度学习去噪模型的训练、测试和性能比较。

实际应用

EEGdenoiseNet数据集的实际应用场景广泛，包括但不限于神经科学、心理学和脑机接口等领域。在神经科学研究中，该数据集可用于训练和测试深度学习去噪模型，从而提高EEG信号的质量，为神经活动的分析提供更准确的数据。在心理学研究中，该数据集可用于去除EEG信号中的噪声和伪迹，从而提高心理状态评估的准确性。在脑机接口领域，该数据集可用于训练和测试深度学习去噪模型，从而提高脑机接口系统的性能和可靠性。

衍生相关工作

EEGdenoiseNet数据集的发布推动了深度学习去噪领域的发展。基于该数据集，研究人员可以开发新的深度学习去噪模型，并进行性能比较。此外，该数据集还可以用于其他相关的研究，如EEG信号的特征提取、分类和生成等。EEGdenoiseNet数据集的发布为深度学习去噪领域的研究提供了重要的资源和工具，有助于推动该领域的发展。