.png){kind=icon}
返回
SAD-VER: A Self-supervised, Diffusion probabilistic model-based data augmentation framework for Visual-stimulus EEG Recognition
.png){kind=icon}
PRE
AI
DOI：10.1016/j.aei.2025.103298.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于脑电图（EEG）视觉刺激的解码已成为脑机接口（BCI）研究领域的重要议题。然而，在视觉刺激EEG解码研究中存在EEG数据稀缺的问题，这使得建立有效的深度学习模型变得困难。因此，本文提出了一种新颖的数据增强框架：基于自监督、自适应方差扩散概率模型的视觉刺激EEG增强框架（SAD-VER），用于增强和识别视觉刺激EEG数据。作为首次将扩散模型引入基于EEG的视觉刺激研究，SAD-VER的生成过程由一个精心设计的扩散模型组成，以生成高质量和多样化的EEG样本。此外，该过程采用基于贝叶斯方法的超参数优化器进行自优化，以在自监督方式下最大化生成EEG样本的质量。同时，还利用改进的卷积网络对增强后的EEG进行质量分析和解码。实验结果表明，所提出的SAD-VER通过生成高质量的EEG样本，能够提高现有模型的解码精度，并在各种视觉刺激EEG解码任务中达到当前最佳性能。进一步分析表明，由SAD-VER生成的EEG增强了不同类别之间的特征可分性，并有助于定位关键脑区信息。本研究代码可获取于：https://github.com/yellow006/SAD-VER。
Keyword:
Bayesian optimization
Data augmentation
Diffusion probabilistic models
Electroencephalogram(EEG)
Self-supervised learning
期刊
IF:
9.9
论文数:
4.4K
被引数:
1.7W
机构
暂无机构信息
引用论文
Signal Processing Approaches to Minimize or Suppress Calibration Time in Oscillatory Activity-Based Brain-Computer Interfaces.png)
PROCEEDINGS OF THE IEEE
OAAI
PROCEEDINGS OF THE IEEEIF25.9
OAAI分享收藏分享收藏EEGNet: a compact convolutional neural network for EEG-based brain-computer interfacesEEGNet: 用于基于EEG的脑机接口的紧凑型卷积神经网络OAAI
OAAI分享收藏
查看更多内容