脑机百科消息(bciwiki.com)，天津大学与天津工业大学的研究人员提出一种任务导向、频谱引导的脑电去噪框架MTGNet，在公开数据集EEGDenoiseNet上把肌电、眼电和混合伪迹的频谱相对均方根误差分别降低18.9%、31.5%和14.0%，在真实疲劳脑电数据集上把分类准确率比未处理输入提高6.20至6.69个百分点。相关结果2026年8月26日发表于《Journal of Neural Engineering》。
脑电信号处于微伏级，容易混入肌电、眼电以及两类叠加的混合伪迹，而滤波过重又会损伤下游任务所需的信息。MTGNet把去噪目标与具体任务绑定：一个预训练的11.97M参数骨干网络从成对的含噪—干净数据中学习保留脑电固有特征，0.33M的LoRA参数负责任务适配，因此不需要成对的干净脑电参考。
研究团队在EEGDenoiseNet上报告了上述伪迹压制结果（p<0.001），并在真实疲劳脑电数据集上报告准确率提升（p<0.05）。消融实验、跨分类器与跨数据集分析用于验证各组件的贡献，并支持MTGNet在所评估场景中的可迁移性。作者在论文中指出，其在不同任务、不同伪迹类型和不同采集条件下的适用性仍需进一步验证。