通过使用条件生成对抗网络来增强EEG数据来提高运动图像BCI的分类性能

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 信号处理 信号处理

背景情况:

• 精确的脑电图 (EEG) 分类器对于大脑与计算机接口 (BCI) 的性能至关重要.
• 机器学习 (ML) 和深度学习 (DL) 模型需要大量的数据集,但由于变化和成本,EEG数据收集具有挑战性,导致数据稀缺和过度匹配.
• 这种数据稀缺性阻碍了可靠和可泛化的EEG分类器的开发.

研究的目的:

• 提出使用条件生成对抗网络 (cGAN) 的新型EEG数据增强 (DA) 框架,以克服数据稀缺问题.
• 增强用于BCI应用的EEG分类器的性能和概括能力.
• 通过对现有的DA技术和基线模型验证基于cGAN的DA方法的有效性.

主要方法:

• 开发了一个使用条件生成对抗网络 (cGAN) 的新型EEG数据增强 (DA) 框架.
• 该框架在两个公共汽车图像 (MI) EEG数据集 (BCI竞赛IV IIa和III IVa) 上进行实验验证.
• 拟议的DA方法与八种不同的EEG分类器一起进行了评估,包括传统的ML和最先进的DL模型,并与三种现有的DA方法进行了比较.

主要成果:

• 大多数数据增强 (DA) 方法,当与适当的比例应用时,与没有DA相比,改善了分类性能.
• 拟议的基于cGAN的DA方法比其他现有DA方法表现出卓越的性能改进.
• 实验结果证实了拟议的DA框架在提高基于运动图像的BCI的EEG分类器性能方面的有效性.

结论:

• 提出的基于条件生成对抗网络 (cGAN) 的数据增强框架有效地解决了脑计算机接口 (BCI) 中EEG数据稀缺的挑战.
• 这种新的方法显著提高了EEG分类器的分类性能,特别是在运动图像任务中.
• 基于cGAN的DA方法显示出它是提高BCI可靠性和准确性的有价值工具.