基于多任务生成对抗学习的脑电波几何形状重建
信号处理
2020-03-02 v2 机器学习
摘要
从人脑活动中合成几何形状是一个有趣且有意义但极具挑战性的课题。近来，生成对抗网络（GAN）等深度生成模型的发展支持了从神经信号生成物体。然而，基于脑电图（EEG）的形状生成仍受限于真实感不足的问题。具体而言，生成的几何形状缺乏清晰边缘且未能包含必要细节。有鉴于此，我们提出一种新颖的多任务生成对抗网络，将几何形状所诱发的个体 EEG 信号转换为原始几何形状。首先，我们采用卷积神经网络（CNN）为原始 EEG 信号学习信息丰富的潜表示，这对后续形状重建至关重要。接着，我们基于多任务学习构建判别器，以同时区分并分类伪样本，其中不同任务间的相互促进提升了重建形状的质量。然后，我们提出语义对齐约束，以迫使合成样本在像素级接近真实样本，从而生成更具说服力的形状。所提方法在本地数据集上进行了评估，结果表明我们的模型优于具有竞争力的当前最优基线。
引用
@article{arxiv.1907.13351,
title = {Multi-task Generative Adversarial Learning on Geometrical Shape Reconstruction from EEG Brain Signals},
author = {Xiang Zhang and Xiaocong Chen and Manqing Dong and Huan Liu and Chang Ge and Lina Yao},
journal= {arXiv preprint arXiv:1907.13351},
year = {2020}
}
备注
12 pages