基于强化学习和扩散模型的 EEG 信号生成方法
信号处理
2024-10-02 v1 机器学习
摘要
本研究提出一种创新方法，用于综合扩散模型和强化学习，实现脑电图（EEG）信号的合成。该方法解决了传统 EEG 数据获取过程中的关键挑战，包括受试者负担、隐私 concerns 以及获取高保真临床数据的成本问题。我们的 methodology 通过强化学习模型自主选择参数更新策略，引导扩散过程准确反映 EEG 信号所固有的复杂动态，同时在统一的生成框架内建模时域特征（如波形形态）和频域特征（包括脑 Rhythmic 脑波模式）。我们使用 BCI Competition IV 2a 数据集和专有数据集进行验证，结果表明该方法生成的合成数据不包含生物识别特征，能有效保护受试者隐私；同时，通过减少对大规模标注数据集的依赖，提高了模型训练效率。这项研究的双重贡献在于：首次为 EEG 研究提供数据增强和机器学习算法发展的新工具；其次，为脑机接口技术提供稳健的解决方案，可用于多样化且具代表性的 EEG 数据集进行模型训练。该研究为未来神经护理及神经康复个性化治疗方案的研究奠定了基础。
引用
@article{arxiv.2410.00013,
title = {Enhancing EEG Signal Generation through a Hybrid Approach Integrating Reinforcement Learning and Diffusion Models},
author = {Yang An and Yuhao Tong and Weikai Wang and Steven W. Su},
journal= {arXiv preprint arXiv:2410.00013},
year = {2024}
}