具有多层次优化能力的EEG生成模型

基于生成对抗网络(generative adversarial networks,GAN)的脑电信号(electroencephalogram,EEG)生成技术存在生成样本特征单一、幅值差异过大以及拟合速度慢等问题,其质量难以满足深度学习模型训练和优化的要求.因此,本文通过对WGAN-GP的优化,使其更适应脑电信号生成,从而解决以上问题.具体而言:(1)在WGAN-GP网络的框架的基础上,通过将长短期记忆网络(long short-term memory,LSTM)代替卷积神经网络(convolutional neural networks,CNN),以保证时间相关特征的完整性,从而解决脑电生成特征单一的问题;(2)将标准化处理后的真实脑电信号输入至判别器,以解决幅值差异过大问题;(3)将脑电噪声部分作为先验知识输入至网络生成器,以提高生成模型的拟合速度.本文分别通过sliced Wasserstein distance(SWD)、mode score(MS)以及EEGNet对生成模型做多层次定量评估.与目前已有生成网络WGAN-GP相比较,基于本模型的生成数据更为接近真实数据.