[论文解读] Data Augmentation for Brain-Computer Interfaces: Analysis on Event-Related Potentials Data

Mario Michael Krell, Anett Seeland+1 more|arXiv (Cornell University)|Jan 9, 2018

EEG and Brain-Computer Interfaces参考文献 2被引用 20

一句话总结

本文提出了一种针对基于EEG的脑-计算机接口的时间与空间/旋转数据增强技术，以提升P300和运动相关皮层电位（MRCP）数据的分类性能。通过在z轴方向施加18°的旋转畸变以及±40 ms的时间偏移，作者在不产生过拟合的情况下实现了1%–6%的性能提升，证明了该方法在真实世界BCI应用中的鲁棒性与可行性。

ABSTRACT

On image data, data augmentation is becoming less relevant due to the large amount of available training data and regularization techniques. Common approaches are moving windows (cropping), scaling, affine distortions, random noise, and elastic deformations. For electroencephalographic data, the lack of sufficient training data is still a major issue. We suggest and evaluate different approaches to generate augmented data using temporal and spatial/rotational distortions. Our results on the perception of rare stimuli (P300 data) and movement prediction (MRCP data) show that these approaches are feasible and can significantly increase the performance of signal processing chains for brain-computer interfaces by 1% to 6%.

研究动机与目标

• 解决真实世界BCI应用中标签EEG训练数据有限的挑战，特别是针对P300等稀有刺激范式以及中风康复等疲劳受限任务。
• 通过信号变换生成合成训练样本，克服基于EEG的BCI中的数据稀缺与模型过拟合问题。
• 评估新型空间（旋转）与时间（时间偏移）增强策略在真实EEG数据集上对事件相关电位分类的有效性。
• 探究数据增强是否能提升BCI系统在不同受试者与记录会话之间的泛化能力与鲁棒性。
• 为将数据增强整合到临床与嵌入式BCI场景中的EEG信号处理深度学习流程中提供基础。

提出的方法

• 通过绕z轴（以及x/y轴组合）旋转头模，对EEG电极导联布局施加旋转畸变，以模拟不同帽位与头部形状。
• 通过在信号分段提取过程中引入正负时间偏移（例如±40 ms），实现时间偏移，以模拟ERP起始时间的可变性。
• 在原始数据与增强数据上训练并评估二分类或多分类分类器（如SVM、RBF），比较不同增强配置下的性能表现。
• 采用重复测量方差分析评估不同增强类型与参数设置下性能差异的统计显著性。
• 使用交叉验证与受试者间迁移设置，评估在会话与受试者之间迁移的泛化能力。
• 将增强性能与基线（无增强）进行对比，并分析多种增强类型组合（如旋转+时间偏移）的影响。

实验结果

研究问题

• RQ1 EEG电极导联布局的空间旋转是否能在不降低模型准确率的前提下，提升P300与MRCP数据的分类性能？
• RQ2 EEG信号分段的时间偏移是否能增强BCI系统对事件相关电位起始时间可变性的鲁棒性？
• RQ3 哪些特定的旋转角度与时间偏移量能在不同受试者与数据集间实现最一致的性能提升？
• RQ4 当在不同记录会话或受试者之间迁移时，数据增强如何影响模型的泛化能力？
• RQ5 组合增强策略（如旋转+时间偏移）是否能带来比单一方法更大的性能提升？

主要发现

• 在约18°的z轴方向旋转增强显著提升了P300数据的分类性能，z轴与z/y轴比较的p值均小于0.001。
• 对于MRCP数据，采用150 ms时间偏移的增强策略相比基线实现了统计显著的性能提升（p < 0.05），观察到6%的性能增益。
• 结合正负时间偏移（±40 ms）虽增加了训练样本数量，但未提升平均性能，且更大的偏移量导致性能下降。
• 最优时间偏移量在不同受试者间存在差异，表明时间增强的有效性可能需要针对个体进行调优。
• 空间旋转带来的性能增益比时间偏移更稳定且更具泛化能力，尤其在P300检测中表现更优。
• 本研究证实，数据增强在基于EEG的BCI中具有可行性与有效性，性能提升范围为1%至6%，具体取决于范式与增强类型。