从浅层方法到深度神经网络与状态空间模型：深度学习在经颅电刺激伪迹去除中的前沿进展与应用指南

本研究针对经颅电刺激(tES)在同步脑电图(EEG)记录中产生严重伪迹的问题，系统评估了11种机器学习方法（包括新颖的状态空间模型SSM）在tDCS、tACS和tRNS三种刺激模式下的去噪性能。研究发现方法效能高度依赖于刺激类型：Complex CNN在tDCS中表现最佳，而基于SSM的多模块网络M4在tACS和tRNS中效果最优。该研究为不同tES模态提供了高效的伪迹去除方法选择指南，为神经动力学分析和临床神经影像应用奠定了坚实基础。

在神经科学和脑机接口研究领域，经颅电刺激(Transcranial Electrical Stimulation, tES)作为一种非侵入性神经调控技术，为探索大脑功能和行为关系提供了重要工具。然而，当tES与脑电图(Electroencephalogram, EEG)同步记录时，刺激电流会产生比神经信号强几个数量级的伪迹，严重阻碍了神经活动的实时分析。传统方法如独立成分分析(ICA)和陷波滤波器对某些tES模式效果有限，且现有研究多集中于单一刺激类型，缺乏系统性的比较评估。

针对这一挑战，研究人员在《Neuroscience》上发表了突破性研究，全面评估了11种去噪方法在三种主要tES模式（直流tDCS、交流tACS和随机噪声tRNS）中的性能。研究团队创造性地合成了符合生理记录特性的模态特异性伪迹，并将其与经过专业清理的真实EEG数据混合，建立了可靠的基准数据集。通过计算时间域和频域的根相对均方误差(RRMSE)和相关系数(CC)，他们发现方法性能高度依赖于刺激类型：对于tDCS，卷积网络(Complex CNN)表现最佳；而对于更复杂的tACS和tRNS，基于状态空间模型(State Space Models, SSMs)的多模块网络(M4)取得了最优结果。

关键技术方法包括：使用EEGdenoiseNet基准数据集的4514个单通道清洁EEG记录；通过四阶线性系统近似生成合成tES伪迹；采用信噪比(SNR)从-7dB到2dB的十个均匀水平的线性混合程序；使用Adam优化器（学习率1·10^-4，批量大小128）进行模型训练；采用时间域RRMSE、频域RRMSE和相关系数(CC)三种评估指标。

合成tES伪迹生成

研究人员基于电压的四阶线性系统近似生成合成伪迹，使用特定系数(C₁=3.99, C₂=3.64, C₃=1.395, C₄=-9.92·10^-3, C₅=3.35·10^-5)模拟不同刺激类型的电场分布。tDCS采用恒定电流，tACS使用正弦振荡电流，tRNS采用随机生成电流，确保了伪迹的生理真实性。

信号混合程序

研究采用系统化的混合方法，将清洁EEG信号与合成伪迹按80%/10%/10%的比例分为训练集、验证集和测试集。通过线性混合公式η(s)=s+λ·n，在十个均匀SNR水平下生成噪声数据，为模型评估提供了严谨的基础。

学习过程

所有模型学习从噪声EEG信号到清洁信号的非线性映射，通过最小化归一化信号间的均方误差(MSE)损失进行优化。信号归一化处理确保了训练稳定性，Adam优化器的使用保证了收敛效率。

去噪模型比较

研究涵盖了四大类去噪方法：传统浅层方法（如经验模态分解EMD）、原始EEGdenoiseNet网络（包括全连接神经网络FCNN、简单CNN、复杂CNN和LSTM）、替代去噪模型（如新型CNN、Transformer-based EEGDnet、多模块网络MMNN-4和小波CNN）以及新颖的SSM-based网络（包括原始Mamba架构和多模块宏Mamba M4）。

实验结果

在tDCS去噪中，Complex CNN表现最佳（RRMSE时域0.021，频域0.010，CC=1.000），简单CNN和原始Mamba模型也表现出相当性能。对于tRNS，M4模型显著优于其他方法（RRMSE时域0.340，频域0.289，CC=0.927）。在tACS去噪中，M4模型同样领先（RRMSE时域0.163，频域0.127，CC=0.989），且原始Mamba实现也表现出色。值得注意的是，小波CNN凭借其计算效率和稳健性能，成为资源受限应用的理想选择。

讨论与意义

本研究首次全面评估了多种深度学习架构在三种主要tES模式下的去噪性能，填补了该领域的重大空白。研究发现没有一种通用方法适用于所有刺激类型，强调需要根据具体应用场景选择适当算法。SSM-based网络（特别是M4架构）在处理非平稳伪迹方面的卓越表现，为实时神经动力学分析提供了强大工具。

研究的实际意义在于：为研究人员提供了基于实证的方法选择指南；建立了可靠的基准测试框架；推动了SSM在生物信号处理中的应用；小波CNN等轻量级模型为设备端去噪提供了可行方案。这些进展将直接促进经颅电刺激与脑电图同步记录在临床研究和神经成像中的应用，为理解神经机制和治疗神经系统疾病开辟了新途径。

未来研究方向包括：开发多通道和长序列处理能力；探索模型在其他EEG噪声类型（如肌电EMG、眼电EOG）的泛化性；建立更全面的评估框架；研究最先进的时间序列基础模型（如TimesFM、CHRONOS、MOIRAI）在EEG去噪中的应用；探索扩散模型在生物信号处理中的潜力。

这项由Miguel Fernandez-de-Retana等人完成的研究，不仅提供了实用的方法选择指南，还为未来伪迹去除研究奠定了坚实基础，标志着经颅电刺激与脑电图同步记录技术向更精确、更可靠的神经科学研究工具迈出了重要一步。