简介EEGdenoiseNet 是一套面向脑电去噪研究的基准数据集适合从事深度学习与脑电信号处理的科研人员、研究生及算法工程师用于训练和测试基于深度学习的 EEG 去噪模型并在统一基准下比较不同网络结构的性能。资源包共 120 个文件涵盖 npy 数据数组、m 脚本、mat 数据、py 代码、ipynb 示例笔记本及 pdf 说明文档等压缩包约 122.9MB兼顾数据读取、算法复现与结果分析。数据集包含 4514 个干净 EEG 时期、3400 个 EOG 时期和 5598 个 EMG 时期可组合生成大量带真实标签的含噪 EEG 片段同时提供基于全连接网络、简单卷积网络、复杂卷积网络和循环神经网络四类经典模型的基准评估结果便于横向对照。已有 488 人学习适合希望快速搭建可复现实验、理解去噪流程与评价指标的读者参考。1. 从一段被工频噪声淹没的脑电信号说起去年帮一个做睡眠分期的团队看数据他们采回来的单通道脑电里50Hz 工频和眼电伪迹叠在一起滤波参数调了三天模型准确率还是上不去。问题不在模型在训练数据——干净信号和含噪信号没有成对的基准谁也没法说清到底是去噪模块不行还是分类器不行。EEGdenoiseNet 就是冲着这个痛点来的它把半仿真脑电去噪做成了一个可复现的基准数据集干净 EEG 和人工叠加的噪声成对给出专门用来训练和横向比较基于深度学习的去噪模型。如果你正在做脑电预处理、想验证自己的去噪网络到底比基线强多少或者带学生做信号处理的课程设计这套东西能省掉最耗时的数据构造环节。它本质是一个 Jupyter Notebook 驱动的数据集工程不是现成的推理服务读法上要按「数据怎么造 → 模型怎么训 → 指标怎么比」来拆。2. 数据集构成与目录结构干净信号、噪声和成对样本是怎么组织的2.1 数据来源与半仿真思路EEGdenoiseNet 的核心设计是「半仿真」干净 EEG 取自真实采集的静息态记录噪声则是人工构造或从真实记录里截取的伪迹片段两者按可控的信噪比线性叠加得到成对的含噪干净样本。这样做的好处是标签绝对可靠——干净信号就是叠加前的原始段不存在人工标注的主观性。常见做法是把数据切成固定长度的片段比如 512 或 1024 个采样点每个片段独立叠加一次噪声保证样本之间不共享噪声相位。从工程角度看这种构造方式决定了它的使用姿势你不能拿它当「真实场景去噪」的最终评测它衡量的是模型在已知噪声类型下的拟合与泛化能力。真正上线前还得用真实含噪记录再验一遍这一点后面避坑章节会细说。2.2 目录组织与文件职责这类基准数据集通常按「原始数据 / 噪声库 / 生成脚本 / 训练脚本 / 评测脚本」分层。下面是我按项目实际组织方式整理的一份典型目录字段名以你拿到的源码为准结构逻辑是通用的EEGdenoiseNet/ ├── data/ │ ├── EEG_all_2s_512Hz.mat # 干净 EEG 片段按通道/受试者组织 │ ├── EOG_all_2s_512Hz.mat # 眼电伪迹片段 │ └── EMG_all_2s_512Hz.mat # 肌电伪迹片段 ├── notebooks/ │ ├── 01_generate_dataset.ipynb # 叠加噪声、生成成对样本 │ ├── 02_train_baseline.ipynb # 基线模型训练 │ └── 03_evaluate.ipynb # 指标计算与对比 ├── models/ │ └── ... # 网络定义 └── utils/ └── metrics.py # RRMSE、CC 等指标实现.mat文件是 MATLAB 格式Python 侧用scipy.io.loadmat读这是脑电领域很常见的交换格式好处是跨工具链通用坏处是文件偏大、加载慢读的时候记得只取需要的键别整个loadmat完再慢慢挑。2.3 噪声类型与信噪比档位数据集一般覆盖三类典型伪迹眼电EOG、肌电EMG和工频/白噪声。信噪比不是固定一个值而是给一组档位常见如 -7dB 到 2dB 之间若干档每个档位生成一批样本。这样设计的意义在于单档 SNR 训出来的模型容易过拟合到某个噪声强度多档混合才能看出模型的鲁棒性曲线。噪声类型典型来源叠加方式用途EOG真实眼电片段截取线性叠加按目标 SNR 缩放考察低频大振幅伪迹抑制EMG真实肌电片段截取线性叠加考察高频噪声去除工频/白噪声人工合成直接相加基线 sanity check提示叠加前务必确认干净段和噪声段的采样率一致512Hz 和 256Hz 混着叠是最常见的低级错误叠出来的「含噪信号」频谱是错的后面训什么模型都白搭。3. 环境搭建与数据生成从零把成对样本跑出来3.1 依赖安装与 Notebook 启动项目以 Jupyter Notebook 为主入口依赖集中在科学计算栈。我一般会先建独立环境再装避免和系统里的老版本 numpy 打架# 建环境Python 版本按源码里的 kernel 元数据选常见 3.8~3.10 conda create -n eegdenoise python3.9 -y conda activate eegdenoise # 核心依赖数值计算 深度学习 脑电 IO pip install numpy scipy scikit-learn matplotlib pip install torch torchvision # 或 tensorflow看基线模型用哪套 pip install jupyter # 启动 jupyter notebook装完先别急着跑全部 cell打开01_generate_dataset.ipynb从上往下逐个执行。Notebook 的通病是隐藏状态——上次跑了一半的变量还留在内存里直接「Run All」很容易得到和预期不符的结果。我的习惯是每次改完参数先Kernel - Restart Run All保证从干净状态复现。3.2 数据加载与片段切分读.mat的关键是搞清楚键名和维度顺序。脑电数据常见的坑是通道维和样本维谁在前不同来源不一致。下面这段是加载与切片的骨架注释里标了每一步在干什么import scipy.io as sio import numpy as np def load_segments(path, key, seg_len512): 加载 .mat 并按固定长度切片段 path: .mat 文件路径 key: 数据所在的键名需先用 sio.whosmat 确认 seg_len: 每段采样点数512 点 512Hz 约 1 秒 mat sio.loadmat(path) raw mat[key] # 形状可能是 (通道, 采样点) 或 (采样点, 通道) if raw.shape[0] raw.shape[1]: # 启发式判断短的那维当通道 raw raw.T n_seg raw.shape[1] // seg_len segs raw[:, :n_seg * seg_len].reshape(raw.shape[0], n_seg, seg_len) return segs.transpose(1, 0, 2) # (片段数, 通道, 采样点) # 先确认键名别猜 print(sio.whosmat(data/EEG_all_2s_512Hz.mat))whosmat这一步别省不同版本的数据文件键名可能带后缀猜错键名报的KeyError会让人误以为是文件损坏。切片段时丢掉尾部不足一段的部分是常规操作别为了「不浪费数据」去 padding补零会在段尾引入虚假的阶跃训练时模型会学到这个假特征。3.3 按目标 SNR 叠加噪声叠加逻辑是整个数据集的核心写错一个 dB 换算后面所有实验结论都不可信。信噪比定义用功率比缩放系数按目标 SNR 反推def add_noise(clean, noise, target_snr_db): 按目标 SNR 叠加噪声 clean/noise: 同形状的一维片段 target_snr_db: 目标信噪比单位 dB可为负 # 对齐长度噪声不够长就循环拼接 if len(noise) len(clean): noise np.tile(noise, int(np.ceil(len(clean) / len(noise)))) noise noise[:len(clean)] p_signal np.mean(clean ** 2) p_noise np.mean(noise ** 2) # 目标噪声功率 信号功率 / 10^(SNR/10) scale np.sqrt(p_signal / (p_noise * 10 ** (target_snr_db / 10))) noisy clean scale * noise return noisy, scalescale这个系数建议在生成阶段就存下来后面做误差分析时能反查每条样本的实际叠加强度。负 SNR 档位比如 -7dB意味着噪声功率比信号还大这时候含噪波形肉眼几乎看不出原貌属于刻意制造的困难样本训练时别指望模型能完美还原看指标趋势比看单条波形有意义。3.4 生成结果的校验生成完别直接进训练先做两件事一是抽几条样本画时域和频谱图确认含噪信号在目标频段确实被污染二是用add_noise里的公式反算实际 SNR和设定值对一下误差应在浮点精度内。这一步花五分钟能挡掉后面几小时的无效训练。4. 基线模型训练与指标评测RRMSE 和相关系数怎么算才可信4.1 基线网络的结构选择基准数据集的价值一半在数据一半在「有可比基线」。这类项目通常给一个轻量 CNN 或 U-Net 变体作为基线输入单通道含噪片段输出同长度去噪片段损失用 MSE 或负相关系数。选轻量结构是刻意的基线太强别人复现不了太弱又说明不了问题。我一般会先跑通基线拿到一组参考指标再换自己的模型对比避免「我的模型比随机猜好」这种无意义结论。训练循环里几个参数值得注意batch size 别开太大片段级任务样本量有限大 batch 容易让梯度更新次数不够学习率用 1e-3 起步配 Adam跑几个 epoch 看 loss 曲线是否平滑下降抖动剧烈就减半。4.2 RRMSE 与相关系数的实现去噪任务最常用的两个指标是相对均方根误差RRMSE和皮尔逊相关系数CC。RRMSE 衡量幅度还原CC 衡量波形形状相似度两者要一起看——只报 CC 容易被「整体缩放但形状对」的模型钻空子import numpy as np def rrmse(clean, denoised): 相对均方根误差越小越好 分母用干净信号的 RMS做幅度归一便于跨样本比较 num np.sqrt(np.mean((clean - denoised) ** 2)) den np.sqrt(np.mean(clean ** 2)) return num / den def cc(clean, denoised): 皮尔逊相关系数越接近 1 越好 c np.corrcoef(clean, denoised) return c[0, 1]注意rrmse的分母是干净信号的 RMS 而不是含噪信号用错分母会让指标失去可比性不同论文之间对不上号往往就是这里定义不一致。评测时按噪声类型和 SNR 档位分组统计别只报一个全局平均——全局平均会把「高频噪声去得好、低频伪迹去得差」这种结构性差异抹平。4.3 结果对比表的组织把基线和你自己的模型放在同一张表里按 SNR 档位分行指标列并排。下面是个示意结构SNR (dB)基线 RRMSE基线 CC自研 RRMSE自研 CC-70.620.71待填待填-30.480.83待填待填00.350.91待填待填表格里数字是占位实际值以你跑出来的为准。重点看趋势低 SNR 档位提升幅度通常最大如果自研模型只在 0dB 以上领先说明它没真正学到抑制强噪声的能力可能只是在小扰动上做了平滑。5. 避坑与排查五个让实验结论翻车的细节5.1 训练集和测试集共享了噪声片段现象测试集指标异常高换一批真实数据立刻崩。原因生成样本时噪声片段被重复采样训练集和测试集里出现了同一段噪声的不同缩放版本模型记住了噪声本身。解决在切分数据集之前先按噪声片段 ID 分组同一段噪声只进一个集合用GroupShuffleSplit而不是普通随机切分。5.2 归一化用了全体数据的统计量现象离线评测很好在线推理效果差一截。原因训练时用整个数据集的均值和方差做标准化测试样本的信息泄漏进了预处理。解决统计量只在训练集上算存下来推理时复用同一组参数。这个坑在信号任务里特别隐蔽因为波形看起来「差不多」。5.3 采样率不一致导致频谱错位现象叠加后的含噪信号在某些频段出现不该有的能量。原因干净段和噪声段采样率不同直接相加等于把两个不同时间尺度的信号硬拼。解决加载后第一件事就是断言采样率一致不一致的先重采样到统一频率重采样用scipy.signal.resample_poly比简单插值稳。5.4 Notebook 隐藏状态污染结果现象同样的代码两次运行结果不同。原因cell 执行顺序乱了某个变量还是上一次的参数。解决交付或对比实验前强制Restart Run All把关键参数打印在第一个 cell 里跑完核对输出。5.5 指标分母定义不统一现象和别人的论文数字对不上。原因RRMSE 分母有的用干净信号 RMS有的用含噪信号 RMS。解决在metrics.py里把定义写死并加注释对比外部结果时先确认对方定义必要时按对方口径重算一遍再比。6. 二次开发换噪声、加通道、接自己的模型拿到这套基准之后真正有价值的是把它改成你自己的实验台。三个改造方向按投入产出排序换噪声类型最容易加通道次之接自研模型最费劲但收益最大。换噪声类型时别只替换.mat文件同步改生成脚本里的噪声键名和 SNR 档位表否则跑出来的样本还是旧噪声。加通道要留意网络输入维度单通道改多通道不是简单改个in_channels空间滤波层和归一化的维度都要跟着调我一般先在两个通道上验证链路通不通再扩到全通道。接自研模型时把数据加载和指标计算抽成独立模块模型只负责forward这样换模型不用动数据管线对比实验也公平。验证改造是否成功我的习惯是保留一组「冻结基线」每次改完都用同一批固定随机种子的测试样本跑一遍基线指标漂移超过阈值就说明数据管线被改坏了。这个习惯来自一次血泪经验——当时为了加一种新噪声顺手改了切片段逻辑结果所有历史对比全部作废只能从头重跑。从那以后我每次动数据生成代码都强制先跑一遍基线回归确认指标在容差内才继续。希望这套拆法能帮到你少走几段弯路。本文还有配套的精品资源点击获取