瓦斯斯坦生成对抗网络带梯度惩罚和卷积神经网络基于运动图像的EEG分类
Hui Xiong1,2, Jiahe Li3,2, Jinzhen Liu1,2
1School of Control Science and Engineering, Tiangong University, Tianjin, People's Republic of China.
Journal of neural engineering
|August 8, 2024
概括
这项研究引入了一种新的数据增强技术和深度学习模型,以改善运动图像电脑图像 (MI-EEG) 解码. 该方法通过生成更现实的MI-EEG数据来提高分类准确性,克服了培训数据集不足的局限性.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 生物医学工程 生物医学工程
背景情况:
- 获得高质量的运动图像电脑图像 (MI-EEG) 数据是具有挑战性的,导致训练数据集不足.
- 这种数据稀缺性往往导致深度学习分类模型的过度拟合和糟糕的泛化.
- 提高解码性能对于使用MI-EEG的脑电脑接口 (BCI) 至关重要.
研究的目的:
- 提出一种新的数据增强方法和深度学习分类模型,以提高MI-EEG解码性能.
- 解决MI-EEG数据集数据质量和数量不足的挑战.
- 提高MI-EEG分类的深度学习模型的准确性和概括能力.
主要方法:
- 原始EEG信号被转换成时间频率图,使用连续波形变换作为模型输入.
- 改进的Wasserstein生成对抗网络与梯度惩罚被用于数据增强,扩大训练数据集.
- 设计了一个简洁而高效的深度学习模型,以进一步提高解码性能.
主要成果:
- 拟议的生成网络成功地产生了更现实的MI-EEG数据.
- 在基准数据集 (BCI竞争IV 2a,2b) 和现实数据集上,分别实现了83.4%,89.1%和73.3%的分类准确率.
- 相应的卡帕值为0.779,0.782和0.644,表现优于最先进的方法.
结论:
- 拟议的方法有效地增强MI-EEG数据,减轻分类网络的过度匹配.
- 该方法显著提高了MI分类的准确性,对基于MI的BCI产生了积极的影响.
- 该研究强调了先进的数据增强和深度学习对于强大的MI-EEG信号处理的潜力.
