利用条件深度卷积生成对抗网络数据增强提升脑机接口性能
人机交互
2018-12-31 v2 机器学习
神经元与认知
机器学习
摘要
脑机接口领域的一大限制是训练样本极为有限，难以利用如此有限的数据构建可靠且可用的系统。受生成对抗网络启发，我们提出一种条件深度卷积生成对抗（cDCGAN）网络方法，自动生成更多人工 EEG 信号用于数据增强，以提升卷积神经网络在脑机接口领域的性能并克服训练数据集过小的问题。我们在运动想象 BCI 竞赛数据集上评估所提出的 cDCGAN 方法。结果表明，由高斯噪声生成的人工 EEG 数据可从原始 EEG 数据中学习特征，且在测试数据集上的分类精度不低于原始 EEG 数据。同时，在有限训练数据下使用所生成的人工数据可有效提升同一模型的分类精度。
引用
@article{arxiv.1806.07108,
title = {Improving brain computer interface performance by data augmentation with conditional Deep Convolutional Generative Adversarial Networks},
author = {Qiqi Zhang and Ying Liu},
journal= {arXiv preprint arXiv:1806.07108},
year = {2018}
}
备注
4 pages, 5 figures