论文题目：

Cross-subject Tinnitus Diagnosis based on Multi-band EEG Contrastive Representation Learning

中文翻译：基于多频段脑电对比表征学习的跨被试耳鸣诊断

期刊：IEEE Journal of Biomedical and Health Informatics 影响因子：7.021

发表时间：2023年4月

发表网址：https://doi.org/10.1109/JBHI.2023.3264521

摘要：

脑电图是探讨耳鸣中枢机制的重要技术。然而，由于耳鸣的高度异质性，以往的许多研究很难获得一致的实验结果。为了能准确识别耳鸣并为诊断和治疗提供理论指导，我们提出了一个强大的，数据高效的多任务学习框架，称为多频带EEG对比表征学习（MECRL）。在本研究中，我们收集了187名耳鸣患者和80名健康被试的静息态EEG数据，以生成高质量的大规模耳鸣诊断EEG数据集，然后将MECRL框架应用于生成的数据集，以获得能够准确区分耳鸣患者和健康对照的深度神经网络模型。结果表明，所提出的MECRL方法显著高于最先进的基线水平，可以很好地推广到为诊断的患者中。同时，对模型关键参数的可视化实验表明，耳鸣脑电信号的高分类权重电极主要分布在额、顶、颞区。总之，本研究有助于我们理解耳鸣的电生理和病理生理变化之间的关系，并为其提供了一种新的深度学习方法（MECRL）来识别耳鸣中的神经元生物标志物。

图1.表征学习过程概述

EEG数据收集：

使用128通道的高密度EGI-EEG系统，采样率为1000 Hz，阻抗保持在50 kΩ以下进行静息态EEG记录。使用CZ电极作为在线参考电极。在脑电图数据收集过程中，背诗坐在椅子上，睁开眼睛，专注于电脑屏幕上的十字标记以保持清醒。整个过程持续约7分钟。

数据预处理：

使用MATLAB R2013a和EEGLAB v13.0.0 工具箱对原始EEG数据进行预处理。首先降采样到250Hz，并进行带通滤波在0.5 Hz和80 Hz之间，并在50 Hz下进行陷波滤波，以及重新参考双侧乳突。然后，手动检查原始EEG数据，以及利用独立分量分析（ICA）去除原始数据中的肌肉伪影、眼动和心跳伪迹。然后，将EEG数据分离转换为8个频带对耳鸣的诊断具有重要意义，包括δ（2-3.5Hz）、θ（4-7.5 Hz）、α1（8-10 Hz）、a 2（10-12赫兹）、β1（13-18赫兹）、beta2（18.5-21赫兹）、beta3（21.5赫兹）-30赫兹）和伽玛（30.5-44赫兹）[32]-[36]。过程图中显示了提取EEG信号的每个频带。

图3.通过可视化头皮电极在8个频带中的权重分布生成的地形图。

图4.参数分析：使用不同电极的数据保留模型的准确性。

更多数据结果，请参考原文文章网址

参考文章网址：https://ieeexplore.ieee.org/abstract/document/10092933/

以上内容整理参考以上文献，更多内容请参考原文献，本内容仅供参考，如有疑问及侵权，请后台联系我们！