BGTransform:一个以神经生理学为基础的EEG数据增强框架

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:

• 深度学习显示了基于脑电图 (EEG) 的脑电脑接口 (BCI) 信号解码的前景.
• 数据稀缺性和可变性限制了BCI中的深度学习模型性能.
• 现有的数据增强方法可能会扭曲信号或缺乏生理学有效性.

研究的目的:

• 引入一个新的数据增强策略,BGTransform,以改善EEG-BCI概括.
• 在增强过程中保持EEG信号的神经生理结构.
• 为了解决培训BCI深度学习模型的数据稀疏性挑战.

主要方法:

• 拟议的背景EEG转换 (BGTransform),一个利用任务相关活动和背景EEG之间的神经生理学分离的框架.
• 通过扰乱背景EEG而产生新的试验,同时保留与任务相关的信号.
• 将BGTransform应用于三个公共EEG-BCI数据集 (SSVEP和P300),并使用各种神经解码模型进行评估.

主要成果:

• 在数据集和架构中,BGTransform的表现始终优于基线模型和传统增强技术.
• 与没有BGTransform的模型相比,实现了2.45%至17.15%的平均分类准确度改进.
• 在不同主题,任务和不同记录条件下,表现出增强的稳定性和稳定的性能.

结论:

• BGTransform提供了一个原则性的,神经生理学知情的方法来增强EEG数据.
• 通过引入受控的可变性,同时保留歧视性特征,有效地解决数据稀疏性问题.
• 支持BGTransform的实用性,用于提高神经工程中的深度学习模型的准确性,稳定性和通用性.