[论文解读] Data augmentation for learning predictive models on EEG: a systematic comparison

Cédric Rommel, Joseph Paillard+2 more|arXiv (Cornell University)|Jun 29, 2022

EEG and Brain-Computer Interfaces参考文献 38被引用 96

一句话总结

本文系统评估了13种用于EEG预测建模的数据增强技术，涵盖睡眠阶段分类和运动想象BCI任务。结果表明，在低数据量环境下，合适的增强方法可将准确率提升高达45%，且性能增益在不同任务和数据类型间差异显著，凸显了针对任务定制化增强策略的必要性，而非采用‘一刀切’的方法。

ABSTRACT

Objective: The use of deep learning for electroencephalography (EEG) classification tasks has been rapidly growing in the last years, yet its application has been limited by the relatively small size of EEG datasets. Data augmentation, which consists in artificially increasing the size of the dataset during training, can be employed to alleviate this problem. While a few augmentation transformations for EEG data have been proposed in the literature, their positive impact on performance is often evaluated on a single dataset and compared to one or two competing augmentation methods. This work proposes to better validate the existing data augmentation approaches through a unified and exhaustive analysis. Approach: We compare quantitatively 13 different augmentations with two different predictive tasks, datasets and models, using three different types of experiments. Main results: We demonstrate that employing the adequate data augmentations can bring up to 45% accuracy improvements in low data regimes compared to the same model trained without any augmentation. Our experiments also show that there is no single best augmentation strategy, as the good augmentations differ on each task. Significance: Our results highlight the best data augmentations to consider for sleep stage classification and motor imagery brain-computer interfaces. More broadly, it demonstrates that EEG classification tasks benefit from adequate data augmentation

研究动机与目标

• 为解决小样本、高变异性EEG数据集导致深度学习泛化困难的问题。
• 评估多种数据增强技术在多个EEG任务和模型中的有效性。
• 识别在低数据条件下能带来最大性能提升的增强方法。
• 确定增强效果是否在不同数据类别和训练集大小下保持一致。
• 提供一个统一的EEG数据增强基准，以指导未来模型开发。

提出的方法

• 本研究在两个EEG任务中采用统一的实验协议：睡眠阶段分类（SleepPhysionet数据集）和运动想象BCI（BNCI-2014-1数据集）。
• 在三个领域评估13种增强方法：时间域（如GaussianNoise、TimeReverse）、频域（如FTSurrogate、FrequencyShift）和空间域（如ChannelsSymmetry、SignFlip）。
• 每种增强方法以不同强度应用，并通过分层划分的交叉验证进行评估，以保持类别分布。
• 所有实验均使用相同的深度卷积神经网络架构和超参数，以隔离增强方法的影响。
• 通过准确率衡量性能，并在不同训练集大小和数据类别间进行比较，以评估鲁棒性和泛化能力。
• 分析包括消融研究，以评估增强强度和类别特异性影响。

实验结果

研究问题

• RQ1 在EEG分类的低数据量环境下，哪些数据增强技术能带来最显著的准确率提升？
• RQ2 数据增强的收益在不同EEG任务（如睡眠分期与运动想象BCI）之间如何变化？
• RQ3 增强方法的有效性是否取决于所应用变换的强度？
• RQ4 增强效果在不同数据类别之间有何差异，特别是在类别不平衡的数据集中？
• RQ5 是否存在一种单一最优的增强策略，还是性能取决于具体任务和数据特征？

主要发现

• 在低数据量环境下，与未使用增强的模型相比，数据增强可使模型准确率最高提升45%。
• 最有效的增强方法在不同任务间差异显著：FTSurrogate和FrequencyShift在睡眠阶段分类中表现最佳，而TimeReverse和SignFlip在运动想象BCI任务中优于其他方法。
• 增强带来的性能增益高度依赖于变换的强度，中等程度的扰动能取得最佳效果。
• 保留频谱或时间结构的增强方法（如FTSurrogate、FrequencyShift）比破坏信号完整性的方法更有效。
• 不存在一种 universally 最优的增强策略；最佳方法取决于具体EEG任务、数据模态和类别分布。
• 本研究证实，EEG分类任务在采用合适的数据增强后可获得显著收益，尤其是在训练数据有限的情况下。