摘要
脑电图(EEG)已经成为神经科学领域的重要工具,基于人工智能的脑电图分析在脑神经疾病、运动想象和情绪识别方面有广泛应用。然而,EEG的应用受到低信噪比的限制,特别是癫痫诊断中肌电(EMG)伪影降低了异常放电特征波形的识别准确率,且现有算法难以实现快速且准确的伪影检测。本研究对YOLO算法进行改进,以深度可分离卷积作为骨干网络,对网络的输入数据、结果矩阵和损失函数进行调整,以适应多导联的EEG数据,提出了一种基于改进YOLO模型的轻量化脑电图肌电伪影检测方法。利用临床采集和公开数据集的伪影标注数据(共4711条)对模型进行训练和测试,其mAP@0.5和mAP@0.5:0.95分别达到了93.7%和79.8%,检测速度为31.0 ms/帧。结果显示,该方法在检测精度和推理速度上优于传统YOLO模型和其他先进算法。同时提升了EEG信号的信噪比,从而可有效改善EEG在临床判读和智能识别过程中的应用效率和准确性。
作者
孙鸽
林卫红
娄洪伟
韩金波
Sun Ge;Lin Weihong;Lou Hongwei;Han Jinbo(Changchun Institute of Optics,Fine Mechanics and Physics,Chinese Academy of Sciences,Changchun 130033,China;Department of Neurology,The First Hospital of Jilin University,Changchun 130021,China)
出处
《中国生物医学工程学报》
北大核心
2025年第1期124-128,共5页
Chinese Journal of Biomedical Engineering
基金
中国科学院战略性先导科技专项资助(XDB0500103)
国家基础学科公共科学数据中心项目(NBSDC-DB-02)。
关键词
脑电图
肌电伪影
YOLO
深度可分离卷积
electroencephalogram(EEG)
electromyogram(EMG)artifact
YOLO
depthwise separable convolution
