摘要：脑电图(electroencephalography,EEG)是一种反映大脑皮层电生理活动的技术,经常用于生物医学领域的各种应用中,但其采集过程容易受到多种噪声的污染,这些噪声会影响EEG信号的准确性和可靠性,因此脑电降噪是EEG分析中必不可少的一步。目前,基于深度学习的方法在多个基准数据集中已展现出优于传统方法的降噪性能,然而现有的基于深度学习的方法仍存在以下问题:现有的网络结构在设计时没有充分考虑信号的时序依赖性。由于不同伪影信号具有不同的形态特征,仅考虑局部或全局的时序依赖性,难以在多种伪影移除任务上获得理想的降噪效果。基于此,本文设计了一种新的脑电降噪网络CTNet。CTNet采用了CNN-Transformer结构,通过结合CNN和Transformer的优点提取潜在的判别性特征,具体来说,CNN单元和Transformer单元分别用于提取局部和全局的时序依赖性特征,通过结合局部和全局的特征更好地抑制伪影信号。为了评估CTNet在EEG降噪方面的性能,本文在四种不同的伪影移除任务上对其进行了评估,实验结果表明,CTNet在各种噪声条件下均具有较强的噪声抑制能力。在公开数据集上的实验结果表明,CTNet在多种伪影上均可获得最低的RRMSE、最高的CC和SNR,如在EMG伪影移除任务中,相比于NovelCNN,CTNet的RRMSE降低了8.67%,CC增加了1.41%,SNR增加了7.06%,上述实验结果证实了该网络在脑电降噪任务上的优越性。