MTGNet：面向任务与频谱引导的 EEG 去噪框架

基于摘要分析。该研究针对 EEG 易受 EMG、EOG 及混合生理伪迹污染的问题，提出 MTGNet，目标是在抑制伪迹的同时保留下游生物医学人工智能任务所需的信息。其核心贡献是结合频谱引导、并行 Mamba-Transformer 骨干与基于 LoRA 的任务感知一致性正则化，将信号重建与下游任务需求联系起来。 机制上，含 11.97 M 参数的骨干先利用成对的含噪与干净 EEG 数据预训练，以学习保留 EEG 的内在特征；随后通过 0.33 M LoRA 参数进行任务特定适配，该适配阶段不要求配对的干净 EEG 参考。框架还引入频谱感知 Guidance Network。摘要未给出一致性正则化的具体形式、频谱引导的实现及适配所需监督信息，这些内容尚待全文核对。 作者报告，在 EEGDenoiseNet 上，针对 EMG、EOG 和混合伪迹，频谱相对均方根误差分别降低超过 18.9%、31.5% 和 14.0%；摘要未明确这些降幅对应的比较基线。在真实场景疲劳 EEG 数据集上，作者报告，相比未处理输入，分类 Accuracy 提升 6.20–6.69 个百分点。摘要中的 p 值比较符号未完整呈现，因此不据此确认具体显著性阈值。上述结果的数据划分、被试内或跨被试设置、样本量及统计检验细节尚未验证。 作者报告进行了消融、跨分类器与跨数据集分析，并认为结果支持各组件的作用及在已评估设置中的迁移能力；摘要不足以判断各协议下的具体收益与适用边界。复现时需重点核对配对数据构造、预训练与适配数据的划分、任务监督来源，以及去噪指标与下游分类收益是否一致。多任务、多伪迹类型及不同采集条件下的真实场景适用性仍待进一步验证；该工作应按任务感知 EEG 去噪方法理解，不能仅因来源分类而认定为通用 EEG 基础模型。