Channel Reflection：面向脑电接口的知识驱动数据增强
人机交互
2024-12-05 v1 机器学习
信号处理
摘要
脑机接口（BCI）使人类大脑与外部设备之间实现直接通信。基于脑电图（EEG）的 BCI 目前是瘫痪患者最常用的方案。为提高用户友好性，通常会使用少量用户特定的 EEG 数据进行校准，这可能不足以开发出纯数据驱动的解码模型。为应对 EEG 基于 BCI 中的典型校准数据不足挑战，本文提出一种参数无关的通道反射（CR）数据增强方法，纳入对不同 BCI 范式下通道分布的先验知识进行数据增强。实验在八个公开 EEG 数据集上进行，涵盖四种不同的 BCI 范式（运动想象、稳态视觉诱发电位、P300 和癫痫分类），使用不同的解码算法，结果表明：1）CR有效，即能显著提高分类准确率；2）CR稳健，即在文献中始终优于现有数据增强方法；3）CR灵活，即可以与其他数据增强方法结合进一步提升性能。我们认为像 CR 这样的数据增强方法应是 EEG 基于 BCI 的 essential 步骤。我们的代码已在线发布。
引用
@article{arxiv.2412.03224,
title = {Channel Reflection: Knowledge-Driven Data Augmentation for EEG-Based Brain-Computer Interfaces},
author = {Ziwei Wang and Siyang Li and Jingwei Luo and Jiajing Liu and Dongrui Wu},
journal= {arXiv preprint arXiv:2412.03224},
year = {2024}
}