基于公共空间生成对抗网络的 EEG 数据增强用于跨被试脑机接口
机器学习
2021-02-10 v1 人工智能
信号处理
摘要
基于 EEG 的脑机接口（BCI）的跨被试应用一直受限于难以感知的巨大个体差异与复杂特性。因此，收集每位用户用于校准的训练数据耗时长久。即便采用以大量被试无关数据预训练的迁移学习方法，若无足够的被试特定数据，也无法解码不同的 EEG 信号类别。为此，我们提出了一种跨被试 EEG 分类框架，其基于生成对抗网络（GANs）的方法名为公共空间 GAN（CS-GAN），该方法利用生成器与判别器之间的对抗训练来获取用于增强的高质量数据。判别器中一个特定模块被用于保持 EEG 信号的空间特征并增大不同类别间的差异，并辅以两种损失以进一步增强。通过充足增强数据的自适应训练，我们的跨被试分类准确率较留一被试交叉验证（LOO）测试提升了 15.85%，较仅适配 BCI competition IV 的 2a 数据集上 100 个原始样本提升了 8.57%。此外，我们设计了一种基于卷积神经网络（CNNs）的分类方法作为具有类似空间增强思想的基准，在运动想象 EEG 数据分类上取得了显著结果。总之，我们的框架为处理跨被试问题并推动 BCI 的实际应用提供了一条有前景的途径。
引用
@article{arxiv.2102.04456,
title = {Common Spatial Generative Adversarial Networks based EEG Data Augmentation for Cross-Subject Brain-Computer Interface},
author = {Yonghao Song and Lie Yang and Xueyu Jia and Longhan Xie},
journal= {arXiv preprint arXiv:2102.04456},
year = {2021}
}