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。

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 python=3.9 -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_len=512): """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, scale

scale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：

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