arxiv：2502.08803v1 [cs.lg] 2025年2月12日__

arxiv：2502.08803v1 [cs.lg] 2025年2月12日

可下载资源数量

已经购买

下载数量：1

单价	0 1.0
Coupon	100% 0%
Total	0 1.0

点击下载点击购买并下载

点击购买，资源将自动在新窗口打开.

机构名称：

arxiv：2502.08803v1 [cs.lg] 2025年2月12日

¥ 1.0

热度

脑电图（EEG）活动包含有关人脑中正在发生的事情的大量信息。记录更多此数据有可能取消无限的未来应用程序。但是，根据同时记录的脑电图通道的数量，EEG硬件的成本越来越昂贵。我们在本文中提出了一种基于一代对抗性网络（GAN）的新型深度脑电图超分辨率（SR）方法来解决这个问题。这种方法可以通过生成频道上采样的数据来有效地插入众多缺失的通道，从而减少了对昂贵的EEG设备的需求，从而可以从低分解样品中产生高空间分辨率的EEG数据。我们使用Men-Tal图像任务中的EEG数据集测试了性能。我们提出的GAN模型分别在基线双学的插值方法上分别提供了于点误差（MSE）和均值误差（MAE）的10ˆ4倍和10倍折叠。我们通过对原始分类任务进行分类器来进一步验证我们的方法，该分类器在使用超级分辨数据的同时显示出准确性的最小损失。GAN提出的SR EEG是改善低密度脑电图的空间分辨率的有前途的方法。

添加pdf代下载 VIP点击下载文件