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

要約

定常状態の視覚誘発電位 (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、その高い情報転送率 (ITR) と利用可能なターゲットの量により、かなりの注目を集めています。
ただし、周波数識別方法のパフォーマンスは、ユーザーのキャリブレーション データの量とデータ長に大きく左右されるため、実際のアプリケーションで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方法が、合成脳波 (EEG) データを作成するために広く採用されており、これらの問題に対処する見込みがあります。
この論文では、TEGANと呼ばれる、データ長拡張のための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 SSVEP 信号を長い人工 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子をネットワーク 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の特徴を生成できます。
さらに、ネットワークの実装中にGANのトレーニングプロセスを正則化するために、2段階のトレーニング戦略とLeCam-divergence正則化用語を導入しました。
提案された TEGAN は、2 つの公開 SSVEP データセット (4 クラスのデータセットと 12 クラスのデータセット) 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ディープラーニング 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改善されました。
また、さまざまな周波数認識方法の分類パフォーマンスのギャップが縮小されました。
この研究は、高性能 BCI システムを開発するための短時間 SSVEP 信号のデータ長を拡張するための提案された方法の実現可能性を実証します。
提案されたGANベースの方法には、キャリブレーション時間を短縮し、さまざまな実世界の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 data 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