来源：期刊VIP网 时间：
作者：曹崴;李奇;
单位：长春理工大学计算机科学技术学院;吉林省脑信息学与智能科学国际联合研究中心;长春理工大学中山研究院;
摘要：针对癫痫发作检测中的高质量EEG样本不足导致模型性能受限的问题，文中提出一种融合Transformer、脉冲神经网络（SNN）和带梯度惩罚GAN(WGAN-GP)的癫痫EEG数据增强方法。生成器利用Transformer建模EEG信号的长程依赖，融合SNN模拟神经元脉冲机制，提高生成数据的生物合理性。判别器采用基于卷积神经网络与Transformer的结构增强对生成数据与真实数据差异的辨别能力，并通过WGAN-GP提高模型训练的稳定性。在CHB-MIT和Kaggle两个数据集上进行数据增强实验，并利用多种分类模型验证了真实、生成和混合数据集的可分类性。结果表明，生成的EEG数据具有较高的真实性和多样性，将其与真实数据融合训练可显著提升癫痫发作检测性能，其中LSTM模型在CHB-MIT数据集上的准确率由91.52%提升至96.21%，在Kaggle数据集上由95.13%提升至97.70%。综上所述，该方法可有效缓解癫痫EEG数据不足问题，具有良好的应用前景。
关键词：数据增强;;EEG;;生成对抗网络;;Transformer;;SNN;;癫痫发作检测
基金资助：吉林省自然科学基金面上项目(20240101344JC);; 吉林省科技发展计划重点研发项目(20230203098SF)
