ترجمه فارسی مقاله بهبود طبقه‌بندی EEG از طریق جمع‌آوری تصادفی داده‌های اصلی و تولید شده با مدل‌های انتشار مبتنی بر ترانسفورماتور

چکیده

Electroencephalogram (EEG) classification has been widely used in various medical and engineering applications, where it is important for understanding brain function, diagnosing diseases, and assessing mental health conditions. However, the scarcity of EEG data severely restricts the performance of EEG classification networks, and generative model-based data augmentation methods have emerged as potential solutions to overcome this challenge. There are two problems with existing methods: (1) The quality of the generated EEG signals is not high; (2) The enhancement of EEG classification networks is not effective. In this paper, we propose a Transformer-based denoising diffusion probabilistic model and a generated data-based augmentation method to address the above two problems. For the characteristics of EEG signals, we propose a constant-factor scaling method to preprocess the signals, which reduces the loss of information. We incorporated Multi-Scale Convolution and Dynamic Fourier Spectrum Information modules into the model, improving the stability of the training process and the quality of the generated data. The proposed augmentation method randomly reassemble the generated data with original data in the time-domain to obtain vicinal data, which improves the model performance by minimizing the empirical risk and the vicinal risk. We verify the proposed augmentation method on four EEG datasets for four tasks and observe significant accuracy performance improvements: 14.00% on the Bonn dataset; 6.38% on the SleepEDF-20 dataset; 9.42% on the FACED dataset; 2.5% on the Shu dataset. We will make the code of our method publicly accessible soon.

چکیده به فارسی (ترجمه ماشینی)

طبقه بندی الکتروانسفالوگرام (EEG) به طور گسترده در کاربردهای مختلف پزشکی و مهندسی مورد استفاده قرار گرفته است ، جایی که برای درک عملکرد مغز ، تشخیص بیماری ها و ارزیابی شرایط سلامت روان مهم است.با این حال ، کمبود داده های EEG عملکرد شبکه های طبقه بندی EEG را به شدت محدود می کند ، و روش های تقویت داده های مبتنی بر مدل تولیدی به عنوان راه حل های بالقوه برای غلبه بر این چالش پدید آمده است.با روش های موجود دو مشکل وجود دارد: (1) کیفیت سیگنال های تولید شده EEG زیاد نیست.(2) تقویت شبکه های طبقه بندی EEG مؤثر نیست.در این مقاله ، ما یک مدل احتمالی انتشار Denoising مبتنی بر ترانسفورماتور و یک روش تقویت مبتنی بر داده را برای رفع دو مشکل فوق پیشنهاد می کنیم.برای ویژگی های سیگنال های EEG ، ما یک روش مقیاس گذاری با فاکتور ثابت را برای پیش پردازش سیگنال ها پیشنهاد می کنیم ، که باعث از بین رفتن اطلاعات می شود.ما ماژول های اطلاعاتی چند مقیاس و ماژول های طیف فوریه پویا را در مدل گنجانیده ایم و ثبات فرایند آموزش و کیفیت داده های تولید شده را بهبود می بخشیم.روش تقویت پیشنهادی به طور تصادفی داده های تولید شده را با داده های اصلی در دامنه زمان برای به دست آوردن داده های مجاور مجدداً جمع می کند ، که این امر عملکرد مدل را با به حداقل رساندن خطر تجربی و خطر مجاور بهبود می بخشد.ما روش تقویت پیشنهادی را در چهار مجموعه داده EEG برای چهار کار تأیید می کنیم و بهبود عملکرد دقت قابل توجهی را مشاهده می کنیم: 14.00 ٪ در مجموعه داده بن.6.38 ٪ در مجموعه داده SleeedF-20 ؛9.42 ٪ در مجموعه داده های روبرو ؛2.5 ٪ در مجموعه داده SHU.ما به زودی کد روش خود را در دسترس قرار خواهیم داد.