基于改进的生成对抗网络的电脑图信号数据增强
Xiuli Du1,2, Xinyue Wang1,2, Luyao Zhu1,2
1School of Information Engineering, Dalian University, Dalian 116622, China.
Brain sciences
|April 27, 2024
概括
这项研究介绍了L-C-WGAN-GP,一种新的生成对抗网络,用于创建人工脑电图 (EEG) 数据. 这种方法通过增加有限的数据集来增强大脑计算机接口 (BCI) 的深度学习模型.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 信号处理 信号处理
背景情况:
- 深度学习方法对于分析电脑电图 (EEG) 信号在人机交互中至关重要.
- 有限的EEG数据集对培养有效的深度学习模型构成重大挑战.
- 现有的数据增强技术可能无法完全捕捉EEG信号的复杂性.
研究的目的:
- 开发一个改进的生成对抗网络 (GAN) 模型,L-C-WGAN-GP,用于生成合成EEG数据.
- 增加有限的EEG训练数据集,以提高深度学习应用程序的性能,特别是在脑计算机接口 (BCI).
- 为了提高使用生成数据对EEG信号的压缩传感重建的准确性.
主要方法:
- 拟议的LC-WGAN-GP模型使用具有长短期记忆 (LSTM) 网络的生成器和具有卷积神经网络 (CNN) 的歧视器.
- 该模型使用基于梯度处罚的瓦瑟斯坦距离作为训练损失函数.
- 生成的EEG数据用于增强现有的数据集,用于模型训练和压缩传感重建.
主要成果:
- 该L-C-WGAN-GP模型成功地学习了EEG信号的统计特征,生成了接近真实样本的合成数据.
- 使用RMSE,FD和WTD指标的定量评估表明,产生的EEG信号优于现有的先进放大技术.
- 纳入增强数据集将EEG信号的压缩传感重建中的损失降低了约15%.
结论:
- L-C-WGAN-GP模型提供了一种有效的方法来生成高保真度的人工EEG数据.
- 使用L-C-WGAN-GP的数据增强显著提高了BCI应用中的深度学习模型的性能和准确性.
- 该研究表明,通过使用合成生成的数据,EEG信号压缩传感重建的准确性得到了显著改善.
