面向基于EEG的脑机接口的神经生理学驱动数据增强
机器学习
2022-03-29 v1 信号处理
摘要
大多数基于EEG的脑机接口（BCIs）需要大量训练数据来校准分类模型，这是因为EEG数据变异性高，既体现在参与者之间，也体现在同一参与者不同session之间（当然还有试次之间）。一般而言，模型越复杂，所需训练数据越多。我们提出一种新技术，通过从已有数据集中生成新数据来增强训练数据。与现有方法不同，我们的方法利用源定位和头模型进行反向与正向投影，以修改模型的电流源偶极子，从而以具有生理学意义的方式生成参与者间变异性。本文中，我们阐释该方法并展示针对参与者无关运动想象分类的初步结果。当分别使用深度神经网络、浅层神经网络和LDA时，采用所提数据增强方法使准确率提升了13、6和2个百分点。
引用
@article{arxiv.2203.14392,
title = {Towards physiology-informed data augmentation for EEG-based BCIs},
author = {Oleksandr Zlatov and Benjamin Blankertz},
journal= {arXiv preprint arXiv:2203.14392},
year = {2022}
}