超越重建:面向可信与可解释脑电伪迹去除评估的统一框架
Beyond Reconstruction: A Unified Framework for Trustworthy and Explainable EEG Artifact Removal Evaluation
预印本 · 尚未经过同行评审
脑电伪迹去除的深度学习模型多以误差、相关和信噪比等重建指标评价,难以说明模型是否真正抑制伪迹、保留神经活动。作者提出三级框架TriX-EEG,分别考察信号有效性与神经频带功率保留、去除成分中的伪迹误差与残留泄漏、解释的时间对齐与因果相关性和稳定性,并在来自EEGDenoiseNet和PhysioNet运动伪迹脑电数据集的三个公开基准上评估九个已发表去噪模型,覆盖眼电、肌电和运动伪迹。作者还在独立脑电与眼电数据集及BCI Competition IV-2a运动想象数据集上做了外部验证。该稿件为预印本,尚在期刊审稿中。
深度学习方法在脑电伪迹去除方面已取得强劲性能,但评估仍以误差、相关性和信噪比等重建指标为主。尽管这些指标评估了与干净脑电的相似性,却无法确定模型是否有效抑制伪迹、保留神经活动或提供可靠解释。为解决这些局限,我们提出 TriX-EEG,一个用于可信且可解释脑电伪迹去除的三级框架。第 1 级,信号有效性(SV),评估重建质量和神经频带功率保留。第 2 级,去除忠实性(RF),通过伪迹误差和残余伪迹/神经泄漏来评估被去除的成分。第 3 级,解释可靠性(ER),通过时间对齐、因果相关性和稳定性来考察模型行为。我们使用九个已发表的神经去噪器,在源自 EEGDenoiseNet 和 PhysioNet Motion Artifact Contaminated EEG Dataset 的三个公开基准上评估 TriX-EEG,涵盖 EOG、EMG 和运动伪迹。结果表明,仅靠重建指标不足以实现可信的去噪器评估:RF 通过揭示误差是源于残余伪迹还是被抑制的神经活动来补充它,而 ER 则捕捉解释行为的不同方面,支持在统一框架内对三个方面进行联合评估,而非依赖任何单一因素。在独立 EEG/EOG 数据集和 BCI Competition IV-2a 运动想象数据集上的外部验证进一步表明,在数据集偏移下排名大体一致。排名较高的去噪器通常保留更多任务相关信息,或造成更少的下游性能下降。总体而言,TriX-EEG 为脑电去噪器评估提供了全面基础,鼓励模型不仅准确,而且忠实且可解释。
中文由 AI 翻译,仅供参考,以原文为准。
来源:arXiv · Signal Processing · arxiv.org