-
题名基于有效注意力和GAN结合的脑卒中EEG增强算法
被引量：1
- 1
-
-
作者
王夙喆
张雪英
陈晓玉
李凤莲
吴泽林
-
机构
太原理工大学电子信息与光学工程学院
-
出处
《计算机工程》
CAS
CSCD
北大核心
2024年第8期336-344,共9页
-
基金
国家自然科学基金(62171307)
山西省应用基础研究计划面上项目(202103021224113)。
-
文摘
在基于脑电的卒中分类诊断任务中,以卷积神经网络为基础的深度模型得到广泛应用,但由于卒中类别病患样本数量少,导致数据集类别不平衡,降低了分类精度。现有的少数类数据增强方法大多采用生成对抗网络(GAN),生成效果一般,虽然可通过引入缩放点乘注意力改善样本生成质量,但存储及运算代价往往较大。针对此问题,构建一种基于线性有效注意力的渐进式数据增强算法LESA-CGAN。首先,算法采用双层自编码条件生成对抗网络架构,分别进行脑电标签特征提取及脑电样本生成,并使生成过程逐层精细化;其次,通过在编码部分引入线性有效自注意力(LESA)模块,加强脑电的标签隐层特征提取,并降低网络整体的运算复杂度。消融与对比实验结果表明,在合理的编码层数与生成数据比例下,LESA-CGAN与其他基准方法相比计算资源占用较少,且在样本生成质量指标上实现了10%的性能提升,各频段生成的脑电特征样本均更加自然,同时将病患分类的准确率和敏感度提高到了98.85%和98.79%。
-
关键词
脑卒中
脑电
生成对抗网络
自注意力机制
线性有效自注意力
-
Keywords
stroke
Electroencephalogram(EEG)
Generative Adversarial Network(GAN)
self-attention mechanism
Linear Effective Self-Attention(LESA)
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
