基于可变焦点注意力增强的双级联生成对抗网络在运动想象脑电数据增强中的应用

《Computers》：Dual-Cascade GAN with Frequency-Domain Priors for Motor Imagery EEG Data Augmentation

　　摘要目标：基于深度学习的运动想象脑电（MI-EEG）分类受限于数据稀缺，这制约了模型的泛化能力和性能。方法：我们提出了一种带有可变焦点注意力（VFA）模块的双级联生成对抗网络（dcGAN）框架，用于运动想象脑电数据增强。第一阶段通过对抗训练方案从随机噪声中学习潜在频域先验；第二阶段利用以这些先验为条件的U-Net生成器合成人工脑电样本，并辅以VFA模块和时域一致性损失。随后在真实样本与生成样本的组合上训练VFA增强的EEGNet进行分类。结果：在脑机接口竞赛IV 2a和2b数据集上，所提方法分别达到了84.92%和91.79%的分类准确率，Cohen's Kappa系数分别为0.79和0.81，优于基线方法。结论：结构化频域先验与注意力机制的整合提高了生成脑电样本的保真度，从而增强了下游分类性能。