Методи аугментації даних для покращення узагальнення моделей ЕЕГ класифікації

Abstract

Електроенцефалографічні інтерфейси мозок-комп'ютер (Brain-Computer Interface, BCI) мають проблему обмеженості навчальних даних та значної міжсесійної варіативності сигналів, особливо у недорогих конфігураціях систем на основі інтерфейсів мозок-комп’ютер. Це призводить до повторюваної адаптації моделей: висока точність на навчальних даних не зберігається на нових записах з інших сесій. У роботі представлено підхід до аугментації епох сигналу електроенцефалографії (ЕЕГ), що зберігає фізіологічну правдоподібність сигналу та покращує узагальнення моделей. Розглянуто три групи перетворень: додавання гаусового шуму (моделювання сенсорного шуму), часові зсуви (варіативність моменту реакції) та амплітудне масштабування (зміни імпедансу та підсилення між сесіями). Реалізовано динамічну аугментацію, що виконується безпосередньо під час навчання без збереження модифікованих копій на диску. Для корекції незбалансованого розподілу класів застосовано вагові коефіцієнти у функції втрат. Підкреслено важливість коректного протоколу валідації між сесіями та необхідність контролю правдоподібності перетворень для збереження частотної структури сенсомоторних ритмів. Результати демонструють, що аугментація є ефективним інструментом покращення узагальнення лише за умови, що вона відображає реальні джерела варіацій у сигналах ЕЕГ та оцінюється на протоколі, що відповідає прикладному використанню системи.

Electroencephalographic brain–computer interfaces suffer from limited training data and pronounced inter-session signal variability, particularly in low-cost BCI system configurations. This leads to repeated model overfitting: high accuracy achieved on training data does not persist when evaluated on recordings from new sessions. This paper presents an EEG epoch augmentation approach that preserves the physiological plausibility of the signal and improves model generalization. Three groups of transformations are considered: the addition of Gaussian noise (to model sensor noise), temporal shifts (to account for variability in response timing), and amplitude scaling (to reflect inter-session changes in electrode impedance and signal amplification). Dynamic augmentation is implemented directly during training without storing modified copies on disk. To address class imbalance, weighting coefficients are applied in the loss function. The importance of an appropriate inter-session validation protocol is emphasized, along with the need to control the plausibility of transformations in order to preserve the frequency structure of sensorimotor rhythms. The results demonstrate that augmentation is an effective tool for improving generalization only when it reflects real sources of variability in EEG signals and is evaluated using a protocol aligned with the intended practical application of the system.