Wasserstein generative adversarial network with gradient penalty and convolutional neural network based motor imagery EEG classification

过度拟合 计算机科学 运动表象 人工智能 脑电图 卷积神经网络 深度学习 模式识别(心理学) 一般化 脑-机接口 机器学习 解码方法 人工神经网络 数学 算法 数学分析 精神科 心理学
作者
Hui Xiong,Jialing LI,Jinzhen Liu,Jinlong Song,Yuqing Han
出处
期刊:Journal of Neural Engineering [IOP Publishing]
卷期号:21 (4): 046053-046053
标识
DOI:10.1088/1741-2552/ad6cf5
摘要

Abstract Objective. Due to the difficulty in acquiring motor imagery electroencephalography (MI-EEG) data and ensuring its quality, insufficient training data often leads to overfitting and inadequate generalization capabilities of deep learning-based classification networks. Therefore, we propose a novel data augmentation method and deep learning classification model to enhance the decoding performance of MI-EEG further. Approach. The raw EEG signals were transformed into the time-frequency maps as the input to the model by continuous wavelet transform. An improved Wasserstein generative adversarial network with gradient penalty data augmentation method was proposed, effectively expanding the dataset used for model training. Additionally, a concise and efficient deep learning model was designed to improve decoding performance further. Main results. It has been demonstrated through validation by multiple data evaluation methods that the proposed generative network can generate more realistic data. Experimental results on the BCI Competition IV 2a and 2b datasets and the actual collected dataset show that classification accuracies are 83.4%, 89.1% and 73.3%, and Kappa values are 0.779, 0.782 and 0.644, respectively. The results indicate that the proposed model outperforms state-of-the-art methods. Significance. Experimental results demonstrate that this method effectively enhances MI-EEG data, mitigates overfitting in classification networks, improves MI classification accuracy, and holds positive implications for MI tasks.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
aaa0001984完成签到,获得积分0
刚刚
Telomere完成签到 ,获得积分10
刚刚
ddddduan完成签到 ,获得积分0
3秒前
4秒前
小姜完成签到,获得积分10
6秒前
sophia完成签到 ,获得积分10
9秒前
Qiao完成签到 ,获得积分10
11秒前
酷波er应助sylnd126采纳,获得10
13秒前
Akim应助忍冬采纳,获得10
14秒前
lww123完成签到,获得积分10
14秒前
欣喜的薯片完成签到 ,获得积分10
16秒前
zcg完成签到,获得积分10
17秒前
Xiao10105830完成签到,获得积分10
19秒前
qks完成签到 ,获得积分10
19秒前
缓慢冥幽完成签到 ,获得积分10
19秒前
战场原荡漾完成签到,获得积分10
25秒前
HXL完成签到 ,获得积分10
31秒前
坚强的元瑶完成签到,获得积分10
34秒前
CLTTTt完成签到,获得积分10
43秒前
GuangboXia完成签到,获得积分10
45秒前
所所应助行云流水采纳,获得20
47秒前
生言生语完成签到,获得积分10
49秒前
zjq完成签到 ,获得积分10
49秒前
Hosea完成签到 ,获得积分10
49秒前
Jasmineyfz完成签到 ,获得积分10
52秒前
研友_ZegMrL完成签到,获得积分10
54秒前
fengfenghao完成签到 ,获得积分10
55秒前
猪仔5号完成签到 ,获得积分10
55秒前
57秒前
沙与沫完成签到 ,获得积分10
1分钟前
haonanchen完成签到,获得积分10
1分钟前
飞快的冰淇淋完成签到 ,获得积分10
1分钟前
兴奋元灵完成签到 ,获得积分10
1分钟前
李东东完成签到 ,获得积分10
1分钟前
为你等候完成签到,获得积分10
1分钟前
Zheng完成签到 ,获得积分10
1分钟前
楚寅完成签到 ,获得积分10
1分钟前
野草完成签到,获得积分10
1分钟前
优雅的千雁完成签到,获得积分10
1分钟前
tsuki完成签到 ,获得积分10
1分钟前
高分求助中
Evolution 10000
Sustainability in Tides Chemistry 2800
юрские динозавры восточного забайкалья 800
English Wealden Fossils 700
Diagnostic immunohistochemistry : theranostic and genomic applications 6th Edition 500
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 400
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 400
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3155031
求助须知:如何正确求助?哪些是违规求助? 2805746
关于积分的说明 7865951
捐赠科研通 2464038
什么是DOI,文献DOI怎么找? 1311698
科研通“疑难数据库(出版商)”最低求助积分说明 629734
版权声明 601862