Enabling Unsupervised Training of Deep EEG Denoisers With Intelligent Partitioning

Denoising wearable electroencephalogram (EEG) is inherently challenging since neural activity is not only subtle but also inseparable from spectrally overlapping noise artifacts. Classical signal processing methods, relying on fixed or heuristic rules, cannot handle the time-varying pervasive artifacts in wearable EEGs. Deep learning methods, on the other hand, show promise in decomposition-free EEG denoising using highly expressive neural networks, but the training requires artifact-free EEG, which is inherently unobtainable. To address this, we propose Intelligent Partitioning for Self-supervised Denoising (iPSD). Our method eliminates the need for clean references by learning to partition an input EEG segment into independent noisy realizations with the same underlying signal. This enables self-supervision of deep learning denoisers, even in zero-shot settings where only a single EEG segment to be denoised is available. We validate iPSD through extensive experiments, including validations on wearable EEG from in-ear sensors. The results show that iPSD achieves state-of-the-art performance, most notably under extremely low signal-to-noise ratios (down to -10 dB) and challenging artifacts (e.g., EMG), with spectral fidelity orders of magnitude higher than competitive baselines.

📋 한 줄 요약

**[EEG · 자가지도 학습]** 깨끗한 참조 없이 EEG 한 세그먼트를 동일 신호의 두 독립 잡음 실현으로 분할해 자가지도 학습하는 iPSD를 제안, -10dB 극저 SNR과 EMG 잡음에서도 SOTA 잡음 제거 성능을 달성했다.

🎯 핵심 기여도

깨끗한 EEG 참조 없이 동작하는 자가지도 EEG 잡음 제거 프레임워크 iPSD 제안
입력 EEG 세그먼트를 동일 신호를 공유하는 독립 잡음 실현으로 분할하는 지능형 파티셔닝 도입
제로샷 환경(잡음 제거할 단일 세그먼트만 존재)에서도 학습 가능
인이어(in-ear) 웨어러블 EEG 등 실제 데이터로 광범위 검증

💡 핵심 아이디어

EEG 잡음 제거 딥러닝 학습은 본질적으로 얻을 수 없는 "깨끗한 EEG"가 필요하다. iPSD는 한 세그먼트를 같은 잠재 신호를 가지면서 잡음이 독립인 두 노이즈 실현으로 분할해, 한쪽을 입력·다른 쪽을 타깃으로 삼는 자가지도 신호를 만든다.

🔬 기술적 접근법

**모델/방법론**: iPSD(Intelligent Partitioning for Self-supervised Denoising) — 깊은 EEG 디노이저용 자가지도 학습 프레임워크
**핵심 기법**: 입력 세그먼트를 "같은 잠재 신호 + 독립 잡음"의 두 실현으로 파티셔닝, 이를 통해 클린 참조 없이도 디노이저 학습 가능, 제로샷 단일 세그먼트 시나리오에도 적용

📊 주요 결과

다양한 EEG 데이터셋 및 인이어 웨어러블 EEG에서 SOTA 성능 달성
극저 SNR(-10dB)과 EMG 같은 도전적 아티팩트에서 특히 큰 우위
경쟁 베이스라인 대비 스펙트럼 충실도가 자릿수 단위로 우수

💭 의의 및 한계

**의의**: 클린 EEG 참조 없이도 강력한 잡음 제거가 가능함을 보여, 실제 운영 환경(웨어러블·임상)에서 딥러닝 디노이징의 실용성을 크게 확장한다. **한계**: "동일 신호·독립 잡음"이라는 파티션 가정이 모든 잡음 유형에 정확히 들어맞지 않을 수 있고, 매우 비정상적/구조적 아티팩트에서는 가정 위반 위험이 있다.

🚀 실용적 활용

웨어러블·인이어 EEG 기기의 실시간 신호 정화
임상 환경에서 EMG·동작 아티팩트가 심한 EEG 후처리
BCI(뇌-컴퓨터 인터페이스) 전처리 파이프라인의 자가지도 구성