论文介绍
题目：SFFNet: A Wavelet-Based Spatial and Frequency Domain Fusion Network for Remote Sensing Segmentation
论文地址：https://arxiv.org/pdf/2405.01992
QQ深度学习交流群：719278780
扫描下方二维码，加入深度学习论文指南星球！
加入即可获得，模块缝合、制作、写作技巧，学会“结构”创新、“创新点”创新，从三区到顶会，小论文大论文，毕业一站式服务
创新点
自动化EEG重建模型： 提出了CLEEGN，一个轻量级卷积神经网络，能够完全自动化地进行EEG重建，从而去除伪影，提升信号质量。
无需校准的即插即用设计： CLEEGN是一个基于预训练模型的设计，能够实现跨被试的通用性，免去了针对每个用户的个性化校准，适用于实时信号处理和在线场景。
高效的去伪影性能： 该模型在EEG解码准确率上优于传统的伪影去除方法，且不依赖手工标记或复杂的人工调整，展示了在去除伪影的同时保留脑活动信息的能力。
方法
整体结构
编码器：编码器部分包含多个卷积块，主要用于提取EEG信号中的空间和时间特征。最初的卷积层提取空间特征，每个空间滤波器与EEG通道数量一致。接下来的层交换信号的维度，以便捕获时序信息，使用带有较大时间窗口的卷积层来提取时间特征。这种层设计考虑到了EEG信号的空间和时间结构。
解码器：解码器部分与编码器对称，由多个卷积块组成，用于将编码后的特征重建回无伪影的EEG信号。解码器的第一个卷积层使用时间滤波器来解码时间特征，随后通过空间滤波器还原空间信息，最终将信号还原到时间域。
零填充和批归一化：为了保持输入和输出的一致性，每层卷积层除了第一层之外都使用了零填充。同时在每个卷积层之后使用批归一化，以增强梯度的稳定性，优化网络的训练效率。
即插即用模块作用
cleegn 作为一个即插即用模块，主要适用于：
无需校准的自动化去伪影：能够在无需个体化校准的情况下，对新的EEG数据进行伪影去除，使系统更具通用性和便捷性。
提高EEG解码准确性：通过高效去除伪影，保留关键的脑活动信息，从而提升EEG信号的解码准确性，助力相关应用的精确度和稳定性。
便于实时应用：由于其轻量化设计，CLEEGN在复杂场景中也能保持计算效率，适合实时EEG处理需求。
消融实验结果
评估了不同神经网络去伪影方法的整体性能，包括 CLEEGN 模型与其他基准模型的均方误差 (MSE)、参数数量、和 AUC 指标。结果表明 CLEEGN 模型在 MSE 值上最低，在 AUC 分数上最高，说明它在去伪影的同时能够更好地保留脑活动信息，优于其他对比模型。。
即插即用模块
import torch
import torch.nn as nn
#论文：CLEEGN: A Convolutional Neural Network for Plug-and-Play Automatic EEG Reconstruction
#论文地址：https://arxiv.org/pdf/2210.05988v2.pdf
class Permute2d(nn.Module):
def __init__(self, shape):
super(Permute2d, self).__init__()
self.shape = shape
def forward(self, x):
return torch.permute(x, self.shape)
class CLEEGN(nn.Module):
def __init__(self, n_chan, fs, N_F=20, tem_kernelLen=0.1):
super(CLEEGN, self).__init__()
self.n_chan = n_chan
self.N_F = N_F
self.fs = fs
self.conv1 = nn.Sequential(
nn.Conv2d(1, n_chan, (n_chan, 1), padding="valid", bias=True),
Permute2d((0, 2, 1, 3)),
nn.BatchNorm2d(1, eps=1e-3, momentum=0.99)
)
self.conv2 = nn.Sequential(
nn.Conv2d(1, N_F, (1, int(fs * tem_kernelLen)), padding="same", bias=True),
nn.BatchNorm2d(N_F, eps=1e-3, momentum=0.99)
)
self.conv3 = nn.Sequential(
nn.Conv2d(N_F, N_F, (1, int(fs * tem_kernelLen)), padding="same", bias=True),
nn.BatchNorm2d(N_F, eps=1e-3, momentum=0.99)
)
self.conv4 = nn.Sequential(
nn.Conv2d(N_F, n_chan, (n_chan, 1), padding="same", bias=True),
nn.BatchNorm2d(n_chan, eps=1e-3, momentum=0.99)
)
self.conv5 = nn.Conv2d(n_chan, 1, (n_chan, 1), padding="same", bias=True)
def forward(self, x):
# encoder
x = self.conv1(x)
x = self.conv2(x)
# decoder
x = self.conv3(x)
x = self.conv4(x)
x = self.conv5(x)
return x
if __name__ == '__main__':
# 定义输入张量的参数
batch_size = 1 # 批次大小，表示处理一个样本
n_channels = 56 # EEG信号的通道数
sampling_rate = 128.0 # 信号采样频率，单位为Hz
time_length = int(sampling_rate) # 时间长度（宽度），即一个时间序列周期内的数据点数
# 初始化模型
model = CLEEGN(n_chan=n_channels, fs=sampling_rate, N_F=20, tem_kernelLen=0.1)
# 生成随机输入张量，模拟EEG数据
input_tensor = torch.randn(batch_size, 1, n_channels, time_length) # (batch_size, channels, height, width)
# 执行前向传播
output = model(input_tensor)
# 输出输入和输出张量的形状
print(f'输入张量形状: {input_tensor.shape}')
print(f'输出张量形状: {output.shape}')
便捷下载方式
浏览打开网址:https://github.com/ai-dawang/PlugNPlay-Modules
更多分析可见原文
