基于运动图像的大脑与计算机接口的频道和标签翻转数据增强

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:

• 机器图像大脑计算机接口 (BCI) 的高分类准确性需要广泛的训练数据.
• 从用户那里获取大型数据集往往是不切实际的,这给BCI开发造成了瓶.
• 数据增强 (DA) 为扩展有限的训练数据集提供了一个可行的解决方案.

研究的目的:

• 为了引入一种新的数据增强技术,道和标签翻转DA,用于电机图像BCI.
• 为了利用神经科学原理的对称性之间的左手和右手运动图像.
• 为了提高BCI分类模型的性能,使用有限的数据.

主要方法:

• 提出了一种新的道和标签翻转数据增强方法.
• 利用OpenBMI数据集与54名参与者执行左手和右手运动图像任务的脑电图.
• 使用三个经典机器学习模型 (过器银行常见空间模式特征) 和一个深度学习模型 (原始信号输入) 评估性能.

主要成果:

• 拟议的道和标签翻转DA方法显著提高了平均分类准确性.
• 相比之下,一个简单的道翻转DA方法没有标签改变导致分类准确度下降.
• 这些发现表明,在BCI数据增强中,将标签翻转与通道翻转相结合的有效性.

结论:

• 频道和标签翻转DA是一种有效的策略,用于提高电机图像BCI性能.
• 这种方法通过利用固有的神经信号特性来解决有限的训练数据的挑战.
• 该研究强调了考虑BCI在DA中的标签操纵的重要性.