基于深度学习的脑电降噪技术及应用

脑电图（electroencephalography，EEG）是一种无创、高时间分辨率的大脑皮层电生理活动监测技术，被广泛应用于临床诊断、脑机接口和认知科学等研究领域。然而，其信号幅值微弱（通常仅在微伏级别），极易受到眼电、心电、肌电、运动伪迹等各类噪声干扰。这些噪声不仅会掩盖真实的神经活动，还可能引入虚假特征，降低信号质量，严重影响EEG后续分析的准确性与可靠性。基于深度学习的EEG降噪技术通过学习受污染EEG与原始EEG之间的非线性映射，可实现对复杂伪迹噪声的自适应抑制与有效神经活动信息的保真重建。相比传统方法，该技术具有非线性建模能力强、对先验假设依赖性低以及网络架构适应性高等主要优势，有效提升EEG降噪性能，并在神经工程领域展现出重要的应用潜力。为厘清深度学习EEG降噪技术的研究与应用进展，本文从技术原理、基准数据集、降噪模型与评估方法4方面展开系统综述，并归纳其在神经信号解析与脑机接口解码中的典型应用，以期为该技术的深入研究与广泛应用提供方法论依据。