سیگنال های مغزی (EEG)کاربردهای حیاتی مهمی در زمینه های مختلف پزشکی و غیره را دارا می باشند.با وجود کارایی بالای سیگنال های EEG , وجود سیگنال های مزاحم آرتیفکتی یک مشکل اجتناب ناپذیر می باشد.
آرتیفکت ها اغتشاشات ناخواسته ای هستند که به طور عمده از فعالیت های انسانی مانند فعالیت های ماهیچه ای, پلک زدن و تداخلات محیطی همچون نوسانات برق شهر ناشی می گردند و می توانند باعث تغییر شکل و ایجاد ابهام در سیگنال های EEG شوند. ما با به کارگیری شبکه های عمیق اتوانکدر اسپارس پشته ای و تبدیل موجک سعی در حذف بعضی از تداخلات را داریم. مکانیزم پیشنهادی ما به این شرح بوده که در قدم اول از مجموعه دیتاست موجود نسبت به استخراج سیگنال های سالم اقدام نموده و سپس با اضافه کردن نویزهای تصادفی با SNR های متفاوت در محدوده فرکانسی
آرتیفکت های ماهیچه ای و چشمی، بر روی سیگنال های سالم نویز ایجاد می نماییم و بر اساس آن شبکه عمیق مبتنی بر Stacked Sparse Autoencoders بر اساس الگوریتم های حریصانه لایه به لایه آموزش می دهیم. در این مرحله
تبدیل ویولت سیگنال نویزی به عنوان ورودی این شبکه و سیگنال تمیز به عنوان خروجی آن درنظر گرفته می شود. از مزایای حوزه فرکانس و
تبدیل ویولت برای افزایش قدرت شبکه در تشخیص و حذف نویزها که هرکدام یک بازه فرکانسی خاص دارند استفاده می شود. در این روش از ضرایب
تبدیل ویولت به عنوان ورودی شبکه استفاده می شود. در واقع هدف استفاده از شبکه عمیق جهت یادگیری یک فیلتر تطبیقی برای حذف نویز بوده که از داده های آموزشی برای آموزش این فیلتر استفاده می شود.برای مقایسه کمی روش ها از معیار میانگین مجذور مربعات خطا(RMSE) , چگالی طیف قدرت (PSD) و دقت طبقه بندی استفاده کردیم.نتایج نشان می دهد که روش پیشنهادی به همراه طبقه بندی کننده SVM دارای عملکرد بهتری نسبت به دیگر روش ها می باشد