卷积神经网络中用于脑电解码的幅度扰动数据增强方法
信号处理
2018-11-07 v1 人机交互
机器学习
摘要
脑机接口（BCI）系统通过分析包含潜在神经信息的脑信号，为人类与外部世界提供了一条通路。脑电图（EEG）是最常用的脑信号之一，EEG识别是BCI系统的重要组成部分。近来，深度学习中的卷积神经网络（ConvNet）正成为解决EEG识别问题的新前沿工具。然而，训练一个有效的深度学习模型需要大量数据，这限制了小样本EEG数据集的应用。为解决EEG解码深度学习中数据不足的问题，我们提出了一种新颖的数据增强方法，将EEG信号变换到频域后对其幅度添加扰动。在实验中，我们在BCI Competition IV dataset 2a和本地数据集上探究了最先进模型在数据增强前后的信号识别性能。结果表明，我们的数据增强技术能有效提高EEG识别的准确率。
引用
@article{arxiv.1811.02353,
title = {An amplitudes-perturbation data augmentation method in convolutional neural networks for EEG decoding},
author = {Xian-Rui Zhang and Meng-Ying Lei and Yang Li},
journal= {arXiv preprint arXiv:1811.02353},
year = {2018}
}