基于SAGAN数据增强和ResNet-18的运动想象EEG信号分类及其脑机接口应用

脑电图信号是脑机接口（BCI）研究中运动技能康复与运动控制的重要基础。然而，有限的标注脑电数据可能限制有效的运动想象（MI）分类器的开发。为解决这一局限，本研究提出了一种使用改进的突触增强生成对抗网络（SA-GAN）的数据增强框架。使用短时傅里叶变换（STFT）将 BCI Competition IV-2a 数据集的脑电信号从一维时间序列信号转换为二维时频表示。所得表示使用 SA-GAN 进行增强，以生成合成 MI 样本，并用于在增强和非增强条件下训练 ResNet-18。所提出的 SAGAN-ResNet18 框架在所有评估受试者上均取得了优于所考虑的基于 GAN 的增强方法的分类性能。结果表明，生成的样本能够提供有价值的额外训练信息，并减少有限训练数据在被试内 MI 分类中的负面影响。结果表明，所提出的增强策略对于 BCI Competition IV-2a 实验中所评估的条件是有效的。

中文由 AI 翻译，仅供参考，以原文为准。