Diff-ADN：采用确定性残差细化的扩散引导 EEG 伪迹去噪网络

基于摘要分析。该研究针对生理伪迹降低 EEG 质量并影响下游 BCI 分析的问题，提出紧凑的单通道 Diff-ADN，用于去除眼电、肌电、心电及混合伪迹。其核心贡献是将扩散相关监督用于训练，同时在推理时仅执行一次确定性残差校正，避免迭代反向扩散采样。 方法包含两个阶段：Stage-I 根据伪迹严重程度进行条件重建，Stage-II 进行扩散引导的残差细化。训练时，前向加噪和速度预测为 Stage-II 编码器提供监督；推理时不运行迭代采样。严重程度的估计方式、网络结构、损失具体形式及训练配置尚未验证。 作者报告，在 −7 至 +2 dB 的污染水平评估中，EOG、EMG、ECG 及 EOG+EMG 混合伪迹的平均 Pearson 相关系数分别为 0.936、0.839、0.886 和 0.844。使用独立记录的伪迹来源测试时，表现随伪迹类型变化，EOG 和 EMG 的性能下降更明显；PTB 和 INCART ECG 相对 MIT-BIH 参考的性能差值分别为 0.026 和 0.014，但摘要未明确这两个差值的指标及方向。 在四个公开运动想象 EEG 数据集上，作者报告 ECG 去噪相较伪迹污染 EEG 恢复了 4.88–5.59 个百分点的解码 Accuracy；其中，BCI IV-2a 在 −6 dB、PTB ECG 伪迹条件下的最大恢复为 21.90 个百分点。这些结果是相对污染信号的改善，不能直接解释为超过干净 EEG 或其他去噪方法。作者同时指出，波形重建改善并不必然带来一致的 BCI 解码准确率恢复。 效率方面，作者报告在所测试 CPU 上处理每段 2 秒信号耗时 12.52–17.08 毫秒，具体硬件与计时条件尚未验证。全文未取得，数据集完整名单、被试规模、被试内或跨被试划分、解码器、对照基线、消融及统计信息尚未验证；复现时需重点核对伪迹构造与独立来源测试协议，并分别评价信号重建质量和下游解码收益。