RLANET：基于时序分布判别的脑电信号长短程伪迹协同去除网络

针对脑电信号(EEG)中长短程伪迹(EMG/EOG)时空重叠干扰的难题，广东团队提出RLANET深度学习网络，通过ResUNet分割网络、LWTCN短程去噪网络和ADDPM长程去噪网络的协同架构，在混合伪迹去除中实现CC提升1.31%、SNR提高1.5316，为脑机接口等应用提供高质量信号预处理方案。

　　

脑电信号(EEG)作为窥探大脑活动的窗口，在脑机接口、精神疾病诊断等领域大放异彩，却始终被伪迹噪声问题困扰。传统方法如独立成分分析(ICA)和小波变换虽有一定效果，但面对肌电(EMG)等长短程混合伪迹时，常因时空重叠导致信号失真。更棘手的是，长程EMG伪迹与EEG信号的时变重叠会掩盖关键特征，而现有深度学习模型又缺乏针对伪迹时序分布特性的专门设计。

广东教育科学规划项目支持的研究团队另辟蹊径，提出RLANET创新架构。该网络包含三大核心模块：ResUNet1D分割网络通过位置编码判别伪迹分布；LWTCN短程去噪网络融合LSTM时序建模与TCN局部特征提取；ADDPM长程去噪网络采用辅助网络引导的扩散概率模型(DPM)实现信号重建。在Biomedical Signal Processing and Control发表的研究中，团队采用半模拟数据集和真实多通道数据验证，通过对比EEMD-ICA等传统方法和EEGDNet等深度学习模型，证实该方案在保留原始EEG特征方面具有显著优势。

关键技术包括：1) 基于公开数据集构建半模拟样本；2) ResUNet1D实现伪迹分布定位；3) LWTCN整合权重初始化卷积层连接LSTM-TCN模块；4) ADDPM采用预训练辅助网络指导条件注意力层；5) 通过RRMSE_T/RRMSE_S/CC/SNR多指标评估。

【方法论】研究团队构建的分层处理框架中，ResUNet1D首先对输入EEG进行语义分割，区分长短程伪迹区域。LWTCN创新性地将LSTM块与膨胀因果卷积结合，通过权重初始化技术增强局部特征提取。ADDPM则引入辅助网络生成条件向量，指导DPM在反向扩散过程中重建纯净EEG波形。

【数据集】实验采用包含不同设备采样率的公开数据集构建半模拟样本，同时使用真实多通道数据验证泛化能力。这种双验证策略既保证定量评估的准确性，又检验了临床适用性。

【结果】在混合伪迹去除任务中，RLANET的CC达到0.9412，较次优方法提升1.31%；SNR改善1.5316 dB。特别在长程EMG伪迹处理中，ADDPM通过条件引导使信号失真率降低23.7%。消融实验证实，LWTCN的LSTM-TCN联合结构使短程伪迹识别准确率提升18.4%。

【讨论】该研究的突破性体现在三方面：1) 首次将伪迹时序分布特性纳入网络设计维度；2) 创新性采用DPM进行EEG信号重建，避免GAN训练不稳定的缺陷；3) 辅助网络引导机制有效解决长程伪迹导致的特征混淆问题。值得注意的是，ADDPM中条件注意力层的设计，使模型在保持α/β节律特征完整性的同时，能有效分离频域重叠的γ波段肌电伪迹。

研究结论揭示，基于时序判别