CropCat：用于平滑脑电信号的特徵分布的数据增强方法
机器学习
2022-12-14 v1 人工智能
信号处理
摘要
脑机接口（BCI）是一种人与计算机之间无需使用物理控制设备即可反映人类意图的通信系统。由于深度学习在从数据中提取特徵方面具有鲁棒性，应用深度学习解码脑电图的研究已在BCI领域取得进展。然而，深度学习在BCI领域的应用存在数据缺乏与过度自信的问题。为解决这些问题，我们提出了一种新颖的数据增强方法CropCat。CropCat包含两个解本，CropCat-spatial与CropCat-temporal。我们通过裁剪数据后在空间与时间轴上拼接具有不同标签的裁剪数据来设计我们的方法。此外，我们基于裁剪长度的比例调整标签。结果，我们所提方法生成的资料协助将因数据缺乏导致的模糊决策边界修正为清晰。由于所提方法的有效性，在两个运动想象公开数据集上，四种脑电信号解码模型的性能相较于未应用所提方法时均得到提升。因此，我们证明了由CropCat生成的资料在训练模型时平滑了脑电信号的特徵分布。
引用
@article{arxiv.2212.06413,
title = {CropCat: Data Augmentation for Smoothing the Feature Distribution of EEG Signals},
author = {Sung-Jin Kim and Dae-Hyeok Lee and Yeon-Woo Choi},
journal= {arXiv preprint arXiv:2212.06413},
year = {2022}
}
备注
4 pages, 1 table