深度卷积网络用于EEG分类：带时间增强与置信度投票的比较研究
人工智能
2026-03-17 v1 计算机视觉与模式识别
机器学习
摘要
脑电图（EEG）分类在脑机接口（BCI）系统中发挥着关键作用，但由于低信噪比、神经反应的时间可变性以及数据可得性有限，仍面临挑战。本文present了一种用于对EEG信号中事件相关电位（ERP）进行分类的深度学习架构的比较研究。预处理流程包括带通滤波、空间滤波和归一化。我们设计并比较了三种主要管线：一种使用常用空间模式（CSP）的2D卷积神经网络（CNN），一种在原始数据上进行训练的2D CNN以进行公平比较，以及一种联合建模时空表征的3D CNN。为解决ERP延迟变化问题，我们在训练期间引入了时间平移数据增强策略。在推断时，我们采用置信度基于的测试时投票机制以提高跨平移试验的预测稳定性。在分层五折交叉验证协议下的实验评估表明，尽管CSP对2D架构提供了益处，所提出的3D CNN在AUC和平衡准确率方面显著优于两种2D变体。这些发现凸显了面向稳健EEG信号分类的时序感知架构和数据增强策略的有效性。
引用
@article{arxiv.2603.13261,
title = {Deep Convolutional Architectures for EEG Classification: A Comparative Study with Temporal Augmentation and Confidence-Based Voting},
author = {Aryan Patodiya and Hubert Cecotti},
journal= {arXiv preprint arXiv:2603.13261},
year = {2026}
}
备注
14 pages, 8 figures, Recent Trends in Image Processing and Pattern Recognition, Copyright held by Springer CCIS