基于猫群分数微积分优化的深度学习在EEG信号中去除伪影

脑电图（EEG）信号通常用于分析大脑活动。EEG信号幅度较小，因此经常受到伪影的影响。为了有效处理，必须从EEG信号中去除伪影。本文通过深度学习方案开发了一种去除EEG信号中存在的伪影的技术。最初，对EEG信号进行预处理，并提供给特征提取过程，利用小波变换从信号中提取小波特征。提取的特征被提供给所提出的分类器，即深度ConvLSTM，以去除EEG信号中的伪影。在这里，深度学习者基于所提出的猫群分数微积分优化（CSFCO）算法进行训练，该算法是猫群优化（CSO）和分数微积分（FC）的结合。通过在EEG信号上引入伪影，如ECG、EMG、EOG和随机噪声，进行了所提出技术的实验。对所提出的深度ConvLSTM进行的模拟结果表明，该框架在均方误差（MSE）、均方根误差（RMSE）和信噪比（SNR）方面的表现优于比较技术，值分别为3888.362、62.356和69.939 dB。