EEG signals are complex and low-frequency signals. Therefore, they are easily influenced by external factors. EEG artifact removal is crucial in neuroscience because artifacts have a significant impact on the results of EEG analysis. The removal of ocular artifacts is the most challenging among these artifacts. In this study, a novel ocular artifact removal method is presented by developing bidirectional long-short term memory (BiLSTM)-based deep learning (DL) models. We created a benchmarking dataset to train and test proposed DL models by combining the EEGdenoiseNet and DEAP datasets. We also augmented the data by contaminating ground-truth clean EEG signals with EOG at various SNR levels. The BiLSTM network is then fed to features extracted from augmented signals using highly-localized time-frequency (TF) coefficients obtained by wavelet synchrosqueezed transform (WSST). We also compare the WSST-based DL model results with traditional TF analysis (TFA) methods namely short-time Fourier transformation (STFT) and continuous wavelet transform (CWT) as well as augmented raw signals. The best average MSE value of 0.3066 was obtained by the first time-proposed BiLSTM-based WSST-Net model. Our results demonstrated the WSST-Net model significantly improves artifact removal performance compared to traditional TF and raw signal methods. Also, the proposed EOG removal approach reveals that it outperforms many conventional and DL-based ocular artifact removal methods in the literature.

中文翻译：

---

使用深度学习去除 EEG 中的眼部伪影

EEG 信号是复杂的低频信号。因此，它们很容易受到外部因素的影响。EEG 伪影去除在神经科学中至关重要，因为伪影对 EEG 分析的结果有重大影响。去除眼部伪影是这些伪影中最具挑战性的。在这项研究中，通过开发基于双向长短期记忆 (BiLSTM) 的深度学习 (DL) 模型，提出了一种新的眼部伪影去除方法。我们创建了一个基准数据集，通过结合 EEGdenoiseNet 和 DEAP 数据集来训练和测试提出的 DL 模型。我们还通过在各种 SNR 水平下用 EOG 污染地面真实清洁 EEG 信号来增强数据。然后，使用通过小波同步压缩变换 (WSST) 获得的高度本地化的时频 (TF) 系数将 BiLSTM 网络馈送到从增强信号中提取的特征。我们还将基于 WSST 的 DL 模型结果与传统的 TF 分析 (TFA) 方法进行比较，即短时傅里叶变换 (STFT) 和连续小波变换 (CWT) 以及增强的原始信号。第一次提出的基于 BiLSTM 的 WSST-Net 模型获得了 0.3066 的最佳平均 MSE 值。我们的结果表明，与传统的 TF 和原始信号方法相比，WSST-Net 模型显着提高了伪影去除性能。此外，所提出的 EOG 去除方法表明它优于文献中许多传统的和基于 DL 的眼部伪影去除方法。我们还将基于 WSST 的 DL 模型结果与传统的 TF 分析 (TFA) 方法进行比较，即短时傅里叶变换 (STFT) 和连续小波变换 (CWT) 以及增强的原始信号。第一次提出的基于 BiLSTM 的 WSST-Net 模型获得了 0.3066 的最佳平均 MSE 值。我们的结果表明，与传统的 TF 和原始信号方法相比，WSST-Net 模型显着提高了伪影去除性能。此外，所提出的 EOG 去除方法表明它优于文献中许多传统的和基于 DL 的眼部伪影去除方法。我们还将基于 WSST 的 DL 模型结果与传统的 TF 分析 (TFA) 方法进行比较，即短时傅里叶变换 (STFT) 和连续小波变换 (CWT) 以及增强的原始信号。第一次提出的基于 BiLSTM 的 WSST-Net 模型获得了 0.3066 的最佳平均 MSE 值。我们的结果表明，与传统的 TF 和原始信号方法相比，WSST-Net 模型显着提高了伪影去除性能。此外，所提出的 EOG 去除方法表明它优于文献中许多传统的和基于 DL 的眼部伪影去除方法。3066 是通过首次提出的基于 BiLSTM 的 WSST-Net 模型获得的。我们的结果表明，与传统的 TF 和原始信号方法相比，WSST-Net 模型显着提高了伪影去除性能。此外，所提出的 EOG 去除方法表明它优于文献中许多传统的和基于 DL 的眼部伪影去除方法。3066 是通过首次提出的基于 BiLSTM 的 WSST-Net 模型获得的。我们的结果表明，与传统的 TF 和原始信号方法相比，WSST-Net 模型显着提高了伪影去除性能。此外，所提出的 EOG 去除方法表明它优于文献中许多传统的和基于 DL 的眼部伪影去除方法。