腦電信號(EEG)作為窺探大腦活動的窗口，在腦機接口、精神疾病診斷等領域大放異彩，卻始終被偽跡噪聲問題困擾。傳統方法如獨立成分分析(ICA)和小波變換雖有一定效果，但面對肌電(EMG)等長短程混合偽跡時，常因時空重疊導致信號失真。更棘手的是，長程EMG偽跡與EEG信號的時變重疊會掩蓋關鍵特征，而現有深度學習模型又缺乏針對偽跡時序分布特性的專門設計。

廣東教育科學規劃項目支持的研究團隊另辟蹊徑，提出RLANET創新架構。該網絡包含三大核心模塊：ResUNet1D分割網絡通過位置編碼判別偽跡分布；LWTCN短程去噪網絡融合LSTM時序建模與TCN局部特征提��；ADDPM長程去噪網絡采用輔助網絡引導的擴散概率模型(DPM)實現信號重建。在Biomedical Signal Processing and Control發表的研究中，團隊采用半模擬數據集和真實多通道數據驗證，通過對比EEMD-ICA等傳統方法和EEGDNet等深度學習模型，證實該方案在保留原始EEG特征方面具有顯著優勢。

關鍵技術包括：1) 基于公開數據集構建半模擬樣本；2) ResUNet1D實現偽跡分布定位；3) LWTCN整合權重初始化卷積層連接LSTM-TCN模塊；4) ADDPM采用預訓練輔助網絡指導條件注意力層；5) 通過RRMSE_T/RRMSE_S/CC/SNR多指標評估。

【方法論】研究團隊構建的分層處理框架中，ResUNet1D首先對輸入EEG進行語義分割，區分長短程偽跡區域。LWTCN創新性地將LSTM塊與膨脹因果卷積結合，通過權重初始化技術增強局部特征提取。ADDPM則引入輔助網絡生成條件向量，指導DPM在反向擴散過程中重建純凈EEG波形。

【數據集】實驗采用包含不同設備采樣率的公開數據集構建半模擬樣本，同時使用真實多通道數據驗證泛化能力。這種雙驗證策略既保證定量評估的準確性，又檢驗了臨床適用性。

【結果】在混合偽跡去除任務中，RLANET的CC達到0.9412，較次優方法提升1.31%；SNR改善1.5316 dB。特別在長程EMG偽跡處理中，ADDPM通過條件引導使信號失真率降低23.7%。消融實驗證實，LWTCN的LSTM-TCN聯合結構使短程偽跡識別準確率提升18.4%。

【討論】該研究的突破性體現在三方面：1) 首次將偽跡時序分布特性納入網絡設計維度；2) 創新性采用DPM進行EEG信號重建，避免GAN訓練不穩定的缺陷；3) 輔助網絡引導機制有效解決長程偽跡導致的特征混淆問題。值得注意的是，ADDPM中條件注意力層的設計，使模型在保持α/β節律特征完整性的同時，能有效分離頻域重疊的γ波段肌電偽跡。

研究結論揭示，基于時序判別