脑机接口的数据增强：基于事件相关电位数据的分析
计算机视觉与模式识别
2018-01-10 v1 神经元与认知
摘要
在图像数据上，由于大量可用训练数据和正则化技术的存在，数据增强变得不那么重要。常见方法包括滑动窗口（裁剪）、缩放、仿射畸变、随机噪声和弹性形变。对于脑电图数据，训练数据不足仍是一个主要问题。我们提出并评估了利用时间和空间/旋转畸变生成增强数据的不同方法。我们在罕见刺激感知（P300 数据）和运动预测（MRCP 数据）上的结果表明，这些方法是可行的，并且可通过将脑机接口信号处理链的 performance 显著提升 1% 至 6%。
引用
@article{arxiv.1801.02730,
title = {Data Augmentation for Brain-Computer Interfaces: Analysis on Event-Related Potentials Data},
author = {Mario Michael Krell and Anett Seeland and Su Kyoung Kim},
journal= {arXiv preprint arXiv:1801.02730},
year = {2018}
}