BandRouteNet: EEG 아티팩트 제거를 위한 적응형 밴드 라우팅 신경망

BandRouteNet: An Adaptive Band Routing Neural Network for EEG Artifact Removal

뇌파(EEG)는 전위안구(EOG) 및 근전도(EMG) 간섭과 같은 아티팩트 오염에 매우 취약하며, 이는 신호 품질을 저하시키고 신경학적 진단, 뇌-컴퓨터 인터페이스(BCI) 등 다양한 응용 분야에서 신뢰성 있는 해석을 방해합니다. 효과적인 EEG 노이즈 제거는 여전히 어려운 과제이며, 그 이유는 다양한 아티팩트 소스가 시간적으로 변화하는 분포를 나타내며, 또한 주파수 대역에 따라 뚜렷한 스펙트럼 특성을 갖기 때문입니다. 이러한 문제를 해결하기 위해, 우리는 주파수 특이적인 처리를 동시에 활용하여 EEG 노이즈 제거를 위한 적응형 신경망인 BandRouteNet을 제안합니다. 제안된 모델은 주파수 의존적인 아티팩트 패턴을 명시적으로 파악하기 위해 주파수 대역별 노이즈 제거를 수행합니다. 이 프레임워크 내에서, 우리는 각 주파수 대역 내의 시간 위치에 따라 노이즈 제거를 어디에, 얼마나 적용해야 하는지를 적응적으로 결정하는 라우팅 메커니즘을 도입했습니다. 동시에, 풀밴드 컨디셔너는 원래의 잡음이 있는 EEG를 직접 처리하여 전역적인 시간적 맥락을 추출하고, 주파수 대역별 경로를 조절하기 위한 조건부 파라미터를 생성하며, 최종 재구성을 보완하기 위한 거친 수준의 신호 개선을 제공합니다. EEGDenoiseNet 벤치마크 데이터 세트에 대한 광범위한 실험 결과, BandRouteNet은 EOG, EMG 및 혼합 아티팩트 조건에서 상대 제곱 오차(RRMSE) 및 신호 대 잡음비 개선(SNR_{ ext{imp}}) 측면에서 다른 방법보다 우수한 성능을 보이며, 0.2M의 학습 가능한 파라미터만 사용하여 높은 파라미터 효율성을 유지합니다. 이러한 결과는 자원 제약적인 응용 분야에서 고성능 EEG 아티팩트 제거에 대한 강력한 잠재력을 보여줍니다.

Electroencephalography (EEG) is highly susceptible to artifact contamination, such as electrooculographic (EOG) and electromyographic (EMG) interference, which severely degrades signal quality and hinders reliable interpretation in applications including neurological diagnosis, brain-computer interfaces (BCIs), etc. Effective EEG denoising remains challenging because different artifact sources exhibit diverse and temporally varying distributions, together with distinct spectral characteristics across frequency bands. To address these issues, we propose BandRouteNet, an adaptive frequency-aware neural network for EEG denoising that jointly exploits band-specific processing and full-band contextual modeling. The proposed model performs band-wise denoising to explicitly capture frequency-dependent artifact patterns. Within this framework, we introduce a routing mechanism that adaptively determines where and to what extent denoising should be applied across temporal locations within each frequency band. In parallel, a full-band conditioner directly processes the original noisy EEG to extract global temporal context, producing both conditional parameters for modulating the band-wise pathway and a coarse-grained signal-level refinement to supplement the final reconstruction. Extensive experiments on the EEGDenoiseNet benchmark dataset demonstrate that BandRouteNet outperforms other methods under EOG, EMG, and mixed-artifact conditions in terms of Relative Root Mean Square Error (RRMSE) and Signal-to-Noise Ratio Improvement (SNR$_{\text{imp}}$) under unified experimental settings, while remaining highly parameter-efficient with only 0.2M trainable parameters. These results highlight its strong potential for high-performance EEG artifact removal in resource-constrained applications.