BGTransform: a neurophysiologically informed EEG data augmentation framework

Yue Jin

doi:10.1088/1741-2552/ae0c3a

2025-10-01

PRE

DOI：10.1088/1741-2552/ae0c3a

原文链接

摘要

En 中文

目标。深度学习已作为一种强大的方法用于解码基于脑电图（EEG）的脑机接口（BCI）信号。然而，其有效性常受限于可用训练数据的稀缺性和变异性。现有的数据增强方法往往引入信号失真或缺乏生理学有效性。本研究提出了一种新颖的增强策略，旨在提高泛化能力的同时保留EEG信号的基本神经生理学结构。方法。我们提出了背景EEG变换（BGTransform），一种基于原理的数据增强框架，利用任务相关活动与持续背景EEG之间的神经生理学分离。与现有方法不同，BGTransform通过选择性扰动背景EEG分量来生成新试验，同时保留任务相关信号，从而在不损害类别判别特征的情况下实现可控的变异性。我们将BGTransform应用于三个公开可用的EEG-BCI数据集，涵盖稳态视觉诱发电位和P300范式。BGTransform的有效性通过在三种训练方案下使用几种广泛采用的神经解码模型进行评估：（1）无增强（基线模型），（2）使用传统增强方法，（3）使用BGTransform。主要结果。在所有数据集和模型架构中，BGTransform一致优于基线模型和传统增强技术。与未使用BGTransform训练的模型相比，它在三个数据集上分别实现了2.45%-15.52%、4.36%-17.15%和7.55%-10.47%的平均分类准确率提升。此外，BGTransform在不同受试者和任务中表现出更强的鲁棒性，在变化的记录条件下保持稳定的性能。意义。BGTransform提供了一种基于原理且有效的EEG数据增强方法，以神经生理学见解为指导。通过保留任务相关分量并引入可控变异性，该方法解决了EEG-BCI训练中的数据稀疏性问题。这些发现支持BGTransform在神经工程应用中用于提高深度学习模型的准确性、鲁棒性和泛化能力。

Keyword:

EEG

BCI

data augmentation

background EEG