基于数据增强的个人专业化的睡眠EEGNet分类
Mo Xia1, Xuyang Zhao2,3, Rui Deng1
1Graduate School of Engineering, Saitama Institute of Technology, 1690 Fusaiji, Fukaya, Saitama 369-0203 Japan.
Cognitive neurodynamics
|August 6, 2024
概括
这项研究引入了一种改善睡眠的方法,使用数据增强进行脑电图 (EEG) 分析. 定制模型实现高精度,克服主体独立的挑战,以获得个性化的健康见解.
科学领域:
- 神经科学是一个神经科学.
- 生物医学工程 生物医学工程
- 机器学习 机器学习
背景情况:
- 睡眠质量对整体健康至关重要.
- 脑电图 (EEG) 分析提供了对睡眠状态的洞察.
- 对睡眠EEG进行主体独立分析是一个重大挑战.
研究的目的:
- 开发一个个性化的睡眠EEG分类模型.
- 解决睡眠研究中小标记数据集的局限性.
- 为了提高个人睡眠状态分析的准确性.
主要方法:
- 通过基于离散等边形变换的数据增强生成了人工睡眠EEG数据.
- 将增强数据与培训的公共数据库结合起来.
- 使用EEGNet架构进行分类.
主要成果:
- 通过初始增强数据实现了92.85%的分类准确性.
- 通过将增强数据与公共数据库混合以及使用EEGNet进行培训,获得了显著更高的准确性.
- 在睡眠EEG分析中成功绕过主体独立问题.
结论:
- 使用EEGNet的数据增强和个性化培训可以创建非常准确的,特定于主体的睡眠EEG分类模型.
- 这种方法有效地克服了有限的标签数据的挑战.
- 允许定制的睡眠分析和个性化的健康建议.
