[论文解读] Improving brain computer interface performance by data augmentation with conditional Deep Convolutional Generative Adversarial Networks

Qiqi Zhang, Ying Liu|arXiv (Cornell University)|Jun 19, 2018

EEG and Brain-Computer Interfaces参考文献 20被引用 59

一句话总结

本文提出一种条件DCGAN（cDCGAN）来生成人工脑电数据用于数据扩增，旨在在训练数据有限的情況下提高基于CNN的脑机接口在运动想象任务中的性能。生成的数据可以与测试准确性相匹配或提升，并在数据稀缺时加强分类。

ABSTRACT

One of the big restrictions in brain computer interface field is the very limited training samples, it is difficult to build a reliable and usable system with such limited data. Inspired by generative adversarial networks, we propose a conditional Deep Convolutional Generative Adversarial (cDCGAN) Networks method to generate more artificial EEG signal automatically for data augmentation to improve the performance of convolutional neural networks in brain computer interface field and overcome the small training dataset problems. We evaluate the proposed cDCGAN method on BCI competition dataset of motor imagery. The results show that the generated artificial EEG data from Gaussian noise can learn the features from raw EEG data and has no less than the classification accuracy of raw EEG data in the testing dataset. Also by using generated artificial data can effectively improve classification accuracy at the same model with limited training data.

研究动机与目标

• 应对脑-机接口中极少训练样本的挑战。
• 引入一种条件深度卷积生成对抗网络（DCGAN 的条件版本）以生成用于数据扩增的人工脑电数据。
• 评估GAN生成的数据是否能够学习有意义的脑电特征。
• 评估使用运动想象数据的增强数据对基于CNN的脑机接口性能的影响。

提出的方法

• 采用条件深度卷积生成对抗网络（cDCGAN）来生成人工脑电信号。
• 从以类别标签为条件的高斯噪声生成人工脑电数据。
• 使用生成的数据来扩增基于CNN的脑机接口分类器的训练集。
• 在用于运动想象的BCI Competition数据集上评估性能。
• 比较仅使用真实数据与使用增强数据集的分类准确率。
• 证明生成的数据可以从原始脑电信号中学习特征并达到可比的测试准确性。

实验结果

研究问题

• RQ1 在训练数据有限时，cDCGAN 生成的人工脑电数据是否能提升基于CNN的BCI分类？
• RQ2 生成的脑电样本是否学习到代表真实脑电数据的特征并保留区分信息？
• RQ3 使用cDCGAN数据进行增强是否能够在测试中达到或超过仅使用真实数据的准确性？

主要发现

• 从高斯噪声生成的人工脑电数据能够从原始脑电数据中学习特征。
• 生成的数据在测试数据集中的分类准确率不低于原始脑电数据。
• 在训练数据受限时，使用生成的人工数据可以有效提高分类准确性。
• 该方法在运动想象的BCI竞赛数据集上进行评估。
• 基于cDCGAN的增强方法解决了在使用CNN分类器的BCI中的小样本挑战。