使用改进的扩散概率模型进行EEG信号的生成建模和增强
Szabolcs Torma1, Luca Szegletes1
1Department of Automation and Applied Informatics, Faculty of Electrical Engineering and Informatics, Budapest University of Technology and Economics, Műegyetem rkp. 3., H-1111 Budapest, Hungary.
Journal of neural engineering
|December 18, 2024
概括
扩散概率模型 (DPM) 为数据增强生成高质量的脑电图 (EEG) 信号. 这种方法增强了EEG信号处理的深度学习模型,提高了分类性能.
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:
- 电脑电图 (EEG) 信号处理的深度学习面临数据限制.
- 数据增强对于提高模型性能至关重要.
- 深度神经生成模型为EEG数据合成提供了潜力.
研究的目的:
- 调查大脑信号生成和EEG数据增强的增强扩散概率模型 (DPM).
- 评估隐式采样和渐进蒸对生成数据质量和推断时间的影响.
- 评估DPM增强数据集在改进学科间EEG分类模型方面的有效性.
主要方法:
- 采用增强的扩散概率模型 (DPM) 与隐式采样和渐进蒸用于EEG合成.
- 训练和评估了四个对增强数据集的分类模型,在主体间设置中.
- 分析生成指标和统计评估以评估信号质量和多样性.
主要成果:
- DPM成功地产生了视觉唤起的潜能和运动图像EEG信号.
- 蒸的,单步DPM从公共数据集中合成了高质量的EEG样本.
- 用DPM增强数据显著改善了EEG分类模型的性能.
- 通过使用DPM,证明了高保真度数据增强和改进的EEG信号多样性.
结论:
- 扩散概率模型显示了对EEG信号合成和数据增强的重大前景.
- DPM提供了一种高效和可通用的方法来增强各种EEG解码任务.
- 在单步DPM生成中,数据质量和采样步骤之间存在权衡.
