基于改进YOLO模型的轻量化脑电图肌电伪影检测方法  

Lightweight EMG Artifact Detection Method Based on Improved YOLO Model for EEG

作　　者：孙鸽[1] 林卫红[2] 娄洪伟[1] 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)

机构地区：[1]中国科学院长春光学精密机械与物理研究所,长春130033 [2]吉林大学第一医院神经内科,长春130021

出　　处：《中国生物医学工程学报》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)。

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。

关 键 词：脑电图 肌电伪影 YOLO 深度可分离卷积 

分 类 号：R318[医药卫生—生物医学工程]