EEG 노이즈 제거를 위한 GAN 유도 병렬 CNN 및 Transformer 네트워크

뇌전도(EEG) 신호는 종종 다양한 생리학적 아티팩트에 의해 오염되어 후속 분석의 품질에 심각한 영향을 미칩니다. 따라서 실제 임상 및 연구에서 아티팩트를 제거하는 것은 필수적인 단계입니다. 현재까지 딥러닝 기반의 EEG 노이즈 제거 방법은 전통적인 방법에 비해 고유한 이점을 보여주었습니다. 그러나 이러한 방법들은 여전히 다음과 같은 한계를 지니고 있습니다. 기존의 구조 설계는 아티팩트의 시간적 특성을 충분히 고려하지 못했습니다. 아울러 기존의 훈련 전략은 대개 노이즈가 제거된 EEG 신호와 실제 깨끗한 원본 신호 간의 전체적인 일관성을 간과합니다. 이러한 문제를 해결하기 위해, 우리는 GCTNet이라는 이름의 GAN 유도 병렬 CNN 및 Transformer 네트워크를 제안합니다. 생성기(generator)는 국소 및 전역 시간적 의존성을 각각 포착하기 위해 병렬 CNN 블록과 Transformer 블록을 포함합니다. 이후 판별기(discriminator)를 사용하여 깨끗한 신호와 노이즈가 제거된 EEG 신호 간의 전체적인 불일치를 감지하고 보정합니다. 우리는 반시뮬레이션 및 실제 데이터 모두에서 제안된 네트워크를 평가합니다. 광범위한 실험 결과는 GCTNet이 우수한 객관적 평가지표를 통해 입증된 바와 같이 다양한 아티팩트 제거 작업에서 최신 네트워크보다 유의미하게 우수한 성능을 발휘함을 보여줍니다. 예를 들어, 근전도 아티팩트 제거 작업에서 GCTNet은 다른 방법에 비해 RRMSE를 11.15% 감소시키고 SNR을 9.81% 향상시켜, 실제 응용 분야에서 EEG 신호 처리를 위한 유망한 솔루션으로서 제안된 방법의 잠재력을 강조합니다.