利用 Wasserstein 生成对抗网络建模 EEG 数据分布以预测 RSVP 事件
图像与视频处理
2020-07-02 v2 机器学习
应用统计
机器学习
摘要
由于复杂的实验设置以及长时间佩戴舒适度的降低，脑电图（EEG）数据难以获取。这给在有限的 EEG 数据上训练强大的深度学习模型带来了挑战。能够计算生成 EEG 数据可解决这一局限。我们提出了一种新颖的带梯度惩罚的 Wasserstein 生成对抗网络（WGAN-GP）来合成 EEG 数据。该网络解决了模拟时间序列 EEG 数据的若干建模难题，包括频率伪影和训练不稳定。我们进一步将该网络扩展为类条件变体，其中还包含一个分类分支以执行事件相关分类。我们训练所提出的网络生成类似于快速串行视觉呈现（RSVP）实验中常见 EEG 信号的一通道和 64 通道数据，并证明了生成样本的有效性。我们还测试了用于分类 RSVP 目标事件的被试内跨会话分类性能，结果表明类条件 WGAN-GP 相比 EEGNet 能取得更好的事件分类性能。
引用
@article{arxiv.1911.04379,
title = {Modeling EEG data distribution with a Wasserstein Generative Adversarial Network to predict RSVP Events},
author = {Sharaj Panwar and Paul Rad and Tzyy-Ping Jung and Yufei Huang},
journal= {arXiv preprint arXiv:1911.04379},
year = {2020}
}