使用面具主要组件表示的数据增强,用于基于深度学习的SSVEP-BCI
Wenlong Ding1, Aiping Liu1, Longlong Cheng2
1University of Science and Technology of China, No.96, JinZhai Road Baohe District, Hefei, 230026, CHINA.
Journal of neural engineering
|May 16, 2025
概括
本研究介绍了蒙面主要组件表示 (MPCR),这是一个用于脑电图 (EEG) 在脑电脑接口 (BCI) 的新型数据增强技术. MPCR通过保留EEG结构,同时增强功能稳定性,显著提高了深度学习模型的准确性.
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:
- 数据增强可以使用脑电图 (EEG) 改进脑电脑接口 (BCI) 的深度学习.
- 现有的方法直接操纵信号,冒着扭曲的风险.
- 有限的EEG数据对稳健的模型培训构成了挑战.
研究的目的:
- 引入掩盖主要组件表示 (MPCR),这是基于EEG的BCI的组件级数据增强方法.
- 为了解决信号水平增强技术的局限性.
- 提高深度学习模型的稳定性和分类准确性.
主要方法:
- MPCR采用基于主要组件的重建方法,随机掩盖主要组件.
- 选择的主要组件被归零,在重建的样本中引入扰动.
- 通过剩余组件进行重建,保留了固有的EEG信号结构,扩大了训练数据的多样性.
主要成果:
- 在各种深度学习模型中,MPCR显著提高了分类准确性.
- 与最先进的增强技术相比,该方法显示出更高的性能.
- MPCR与现有的BCI框架具有很高的兼容性.
结论:
- MPCR是一种简单但有效的组件级数据增强策略.
- 这种技术为基于EEG的BCI数据增强提供了宝贵的进步.
- MPCR有助于为BCI开发更强大的深度学习模型.
