评估输入噪声和基于ERP的处罚对使用WGAN-GP的EEG生成生理学可信性的影响
Xinyu Li1, Marieke K van Vugt2, Natasha M Maurits1
1University of Groningen, University Medical Center Groningen, Department of Neurology, Groningen, the Netherlands.
Computers in biology and medicine
|November 20, 2025
概括
使用生成对抗网络 (GAN) 生成人工EEG信号需要仔细考虑生理学可信性. 这项研究发现,使用1/f噪声输入和特定事件相关潜在 (ERP) 处罚可以优化生成的EEG数据的可靠性.
科学领域:
- 神经科学是一个神经科学.
- 计算神经科学是一种神经科学.
- 信号处理 信号处理
背景情况:
- 生成对抗网络 (GAN) 可以创建人工脑电图 (EEG) 信号.
- 对于可靠的应用,GAN产生的EEG的生理学可信度至关重要.
- 当前的GAN模型往往忽视了EEG信号的可信性.
研究的目的:
- 研究基于输入噪声类型 (白色与1/f) 和事件相关潜力 (ERP) 的处罚对使用Wasserstein GAN与梯度处罚 (WGAN-GP) 的EEG信号生成生理学可信性的影响.
- 确定最佳配置,以生成可靠的人工EEG数据.
主要方法:
- 使用了Wasserstein GAN与梯度惩罚 (WGAN-GP) 框架.
- 引入基于ERP的罚款作为损失条款,以抑制训练期间的高频振荡.
- 通过对ERP波形和功率光谱 (PS) 的视觉检查,统计特征比较 (带电量,,P3振幅/延迟,分数维度,Hjorth复杂性) 和维相似性分析 (PCA,t-SNE,KDE,周期性/非周期性分解) 来评估生理合理性.
主要成果:
- 与白噪声模型相比,WGAN-GP模型具有1/f噪声输入,更好地保留了光谱特征.
- 在白噪声模型中,ERP处罚有效地减少了高频振荡,特别是0.5-5Hz通带处罚,增强了ERP波形和PS.
- 训练时间和频域特征再现之间存在一个权衡;1/f噪声带有0.5-3赫兹的罚款产生了生理上最合理的特征分布,而带有0.5-5赫兹的罚款的白噪声最好地再现了ERP波形和PS.
结论:
- 输入噪声和ERP处罚类型的选择显著影响生成的EEG信号的生理可信性.
- 将输入噪声和ERP处罚与特定应用要求保持一致,对于生成可靠的人工EEG数据至关重要.
- 为EEG生成优化GAN涉及平衡光谱保真度,波形精度和特征分布可信度.
