机构名称：
¥ 1.0
摘要 - 由于耗时且昂贵的数据收集程序，基于脑电图的深度学习面临数据稀缺。数据增强已被证明是提高数据效率的有效方法。此外，最近已经证明，对比性学习在没有人类监督的情况下在学习有效表示方面具有巨大的希望，这有可能通过有限的标记数据来改善基于脑电图的识别性能。但是，大量数据增强是对比度学习的关键要素。鉴于脑电图处理中的基于样本的数据增强数量有限，三种方法，基于性能测量的时间扭曲，频率噪声添加和频率掩蔽，是根据脑电图信号的特征提出的。这些方法是免费的，易于实现的参数学习，并且可以应用于单个样本。在实验中，对三个基于脑电图的分类任务进行了评估所提出的数据增强方法，包括情况意识识别，运动图像分类和脑兼容器界面稳态稳态视觉唤起潜在的拼写器系统。的结果表明，使用拟议的数据增强方法训练的卷积模型产生了比基线的显着提高的性能。总体而言，这项工作提供了更多潜在的方法来应对有限的数据问题并提高脑电图处理中的分类性能。
基于样本的数据增强基于脑电图内在特征
主要关键词
相关文件推荐
