机构名称：
¥ 1.0
摘要 — 脑机接口 (BCI) 系统中分类器的性能高度依赖于训练数据的质量和数量。通常，训练数据是在实验室中收集的，用户在受控环境中执行任务。然而，在现实生活中的 BCI 应用中，用户的注意力可能会分散，这可能会降低分类器的性能。为了提高分类器的鲁棒性，可以在这种情况下获取额外的数据，但在几个长时间的校准会话中记录脑电图 (EEG) 数据是不切实际的。一种潜在的省时省钱的解决方案是人工数据生成。因此，在本研究中，我们提出了一个基于深度卷积生成对抗网络 (DCGAN) 的框架，用于生成人工 EEG 来扩充训练集，从而提高 BCI 分类器的性能。为了进行比较研究，我们设计了一个具有分散和集中注意力条件的运动任务实验。我们使用端到端深度卷积神经网络，利用 14 名受试者的数据对运动意图和休息进行分类。在没有数据增强的情况下，留一法 (LOO) 分类的结果显示，注意力转移的基线准确率为 73.04%，集中注意力的基线准确率为 80.09%。使用所提出的基于 DCGAN 的增强框架，结果显著提高了注意力转移 7.32%（p < 0.01），集中注意力 5.45%（p < 0.01）。此外，我们在 BCI 竞赛 III 的数据集 IVa 上实现了该方法，以区分不同的运动想象任务。所提出的方法将准确率提高了 3.57%（p < 0.02）。这项研究表明，使用 GAN 进行 EEG 增强可以显著提高 BCI 性能，尤其是在现实生活中的应用中，用户的注意力可能会被转移。
基于生成对抗网络的数据增强......
主要关键词
相关文件推荐
