arXiv cs.AI· Phat Lam, Hung Nguyen, Lam Pham, Huy Phan, Dat Tran, Ian McLoughlin, Roozbeh Razavi-Far, Hung Cao·· 4 小时前AI 评分18
TriX-EEG:面向可信可解释脑电伪迹去除评估的三级统一框架
Beyond Reconstruction: A Unified Framework for Trustworthy and Explainable EEG Artifact Removal Evaluation
AI 导读
研究提出 TriX-EEG 三级框架,用于可信且可解释的脑电伪迹去除评估,弥补仅靠重建指标无法判断伪迹抑制与神经活动保留的缺陷。该框架包含信号有效性、去除忠实性与解释可靠性三个层级,在 EEGDenoiseNet 和 PhysioNet 运动伪迹数据集衍生的三个公开基准上评测了九种已发表神经降噪器,覆盖 EOG、EMG 与运动伪迹。
正文 · AI 翻译
摘要:深度学习方法在脑电伪迹去除方面已取得强劲表现,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度,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。为弥补这些局限,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。第一级,信号有效性(SV),评估重建质量和神经频带功率保留情况。第二级,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。第三级,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。我们使用九种已发表的神经降噪器,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进行可信的降噪器评估: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总体一致。排名较高的降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 为脑电降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。
| 评论: | IEEE 期刊稿件,审稿中 |
| 主题: | 信号处理(eess.SP);人工智能(cs.AI) |
| 引用为: | arXiv:2611.21781 [eess.SP] |
| (或 arXiv:2611.21781v1 [eess.SP] 用于此版本) | |
| https://doi.org/10.48550/arXiv.2611.21781 由 DataCite 颁发的 arXiv DOI(待注册) |
提交历史
来自:Phat Lam [查看邮箱]
[v1]
2026年11月16日星期一 19:06:53 UTC(2,013 KB)
来源:arXiv cs.AI · arxiv.org