Short-length SSVEP data extension by a novel generative adversarial networks based framework

要約

定常状態視覚誘発電位 (SSVEP) ベースのブレイン コンピューター インターフェイス (BCI) は、その高い情報転送速度 (ITR) と利用可能なターゲット量により、かなりの注目を集めています。
ただし、周波数識別法のパフォーマンスはユーザー調整データの量とデータ長に大きく依存するため、現実のアプリケーションへの展開が妨げられます。
最近、敵対的生成ネットワーク (GAN) ベースのデータ生成手法が合成脳波 (EEG) データの作成に広く採用されており、これらの問題の解決が期待されています。
この論文では、TEGAN と呼ばれる、時間ウィンドウ長拡張のための GAN ベースのエンドツーエンド信号変換ネットワークを提案しました。
TEGAN は、短い長さの SSVEP 信号を長い長さの人工 SSVEP 信号に変換します。
新しい U-N​​et ジェネレーター アーキテクチャと補助分類器をネットワーク アーキテクチャに組み込むことにより、TEGAN は合成データに条件付き特徴を生成できます。
さらに、ネットワーク実装中に GAN のトレーニング プロセスを正規化するために、2 段階のトレーニング戦略と LeCam 発散正則化項を導入しました。
提案された TEGAN は、2 つの公開 SSVEP データセット (4 クラス データセットと 12 クラス データセット) で評価されました。
TEGAN の支援により、従来の周波数認識手法と深層学習ベースの手法のパフォーマンスが、限られたキャリブレーション データの下で大幅に向上しました。
また、さまざまな周波数認識方法の分類性能の差は縮まっています。
この研究は、高性能 BCI システムを開発するために、短時間 SSVEP 信号のデータ長を拡張する提案手法の実現可能性を実証します。
提案された GAN ベースの手法には、校正時間を短縮し、現実世界のさまざまな BCI ベースのアプリケーションの予算を削減する大きな可能性があります。

要約(オリジナル)

Steady-state visual evoked potentials (SSVEPs) based brain-computer interface (BCI) has received considerable attention due to its high information transfer rate (ITR) and available quantity of targets. However, the performance of frequency identification methods heavily hinges on the amount of user calibration data and data length, which hinders the deployment in real-world applications. Recently, generative adversarial networks (GANs)-based data generation methods have been widely adopted to create synthetic electroencephalography (EEG) data, holds promise to address these issues. In this paper, we proposed a GAN-based end-to-end signal transformation network for Time-window length Extension, termed as TEGAN. TEGAN transforms short-length SSVEP signals into long-length artificial SSVEP signals. By incorporating a novel U-Net generator architecture and an auxiliary classifier into the network architecture, the TEGAN could produce conditioned features in the synthetic data. Additionally, we introduced a two-stage training strategy and the LeCam-divergence regularization term to regularize the training process of GAN during the network implementation. The proposed TEGAN was evaluated on two public SSVEP datasets (a 4-class dataset and a 12-class dataset). With the assistance of TEGAN, the performance of traditional frequency recognition methods and deep learning-based methods have been significantly improved under limited calibration data. And the classification performance gap of various frequency recognition methods has been narrowed. This study substantiates the feasibility of the proposed method to extend the data length for short-time SSVEP signals for developing a high-performance BCI system. The proposed GAN-based methods have the great potential of shortening the calibration time and cutting down the budget for various real-world BCI-based applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google