基于条件Wasserstein生成对抗网络的ALS-EEG数据合成增强用于ALS诊断
机器学习
2025-06-23 v1 人工智能
摘要
肌萎缩性侧索硬化症（ALS）是一种罕见的神经退行性疾病，ALS患者的高质量EEG数据稀缺。这种数据稀缺性以及ALS与健康对照录音之间的严重类别不平衡，构成了训练可靠机器学习分类器的挑战。本文通过生成用于ALS诊断的合成EEG信号来解决这些问题，采用条件Wasserstein生成对抗网络（CWGAN）。我们在私有EEG数据集（ALS与非ALS）上训练CWGAN，以学习ALS EEG信号的分布并生成逼真的合成样本。我们对EEG记录进行预处理和归一化处理，在CWGAN模型上进行训练以生成合成ALS信号。详细描述了CWGAN架构和训练程序，选择关键超参数以实现稳定训练。对生成信号的定性评估表明，它们与真实ALS EEG模式非常相似。CWGAN训练收敛，生成器和判别器损失曲线趋于稳定，表明学习成功。合成EEG信号看起来很真实，作为增强数据用于训练分类器具有潜在用途，有助于缓解类别不平衡并提高ALS检测准确率。我们讨论了这一方法如何促进数据共享并增强诊断模型。
引用
@article{arxiv.2506.16243,
title = {Synthetic ALS-EEG Data Augmentation for ALS Diagnosis Using Conditional WGAN with Weight Clipping},
author = {Abdulvahap Mutlu and Şengül Doğan and Türker Tuncer},
journal= {arXiv preprint arXiv:2506.16243},
year = {2025}
}
备注
The code is available on GitHub: https://github.com/abdulvahapmutlu/als-synthetic-data-augmentation-wgan