使用扩散模型用于EEG产生增强的BCI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
• 生物医学工程 生物医学工程

背景情况:

• 基于机器图像 (MI) 的脑计算机接口 (BCI) 的深度学习需要大量的数据集,增加了用户负担.
• 目前用于获取脑电图 (EEG) 数据的方法是耗时的,对用户来说也很苛刻.

研究的目的:

• 调查无声扩散概率模型 (DDPM) 的有效性,以合成现实的EEG原始信号.
• 评估DDPM生成的EEG信号的质量和实用性,用于MI-BCI应用.
• 评估合成EEG数据对改善BCI分类性能的影响,特别是对于BCI缺陷的用户.

主要方法:

• 利用无声扩散概率模型 (DDPM) 来人工合成EEG信号.
• 进行定性和定量分析,包括减小维度预测和光谱分析,以评估信号质量.
• 对左手和右手运动图像任务生成的EEG信号的评估分类准确性.
• 通过整合合成EEG数据,评估了BCI分类性能的改善.

主要成果:

• 生成的EEG信号具有与真实EEG信号相似的数据分布和能量谱,包括与事件相关的同步 (ERS).
• 在使用产生EEG信号的运动图像任务中实现了高分类准确度 (89.81±2.11%).
• 识别的歧视性信息集中在运动感官皮质和α-β频段.
• 合成EEG数据的整合为BCI缺陷受试者提高了3.17%的分类性能.

结论:

• DDPM有效地产生高质量的合成EEG信号,适合MI-BCI应用.
• 人工EEG信号生成可以显著减轻用户负担,并增强BCI模型校准.
• 产生的信号显示出有望提高基于深度学习的BCI系统的稳定性和可访问性.