W najnowszym artykule pracownicy naszego Instytutu analizują, jak różne metody augmentacji sygnałów EEG wpływają na skuteczność klasyfikacji wyobrażonego ruchu (motor imagery) w systemach BCI (Brain-Computer Interface).
🎯 Cel badania:
Sprawdzić, które techniki sztucznego „powiększania” zbiorów danych EEG realnie poprawiają dokładność sieci neuronowej EEGNet w zadaniu trójklasowym: wyobrażony ruch lewej ręki, prawej ręki oraz stan spoczynku.
🔬 Co zrobiono?
- Wykorzystano otwartą bazę EEG (25 osób, 64 kanały).
- Przetestowano 12 metod augmentacji - czasowych, przestrzennych, częstotliwościowych oraz generatywnych (m.in. VAE i GAN).
- Analizowano je zarówno osobno, jak i w kaskadach 2-3 metod.
- Porównano różne strategie podziału danych (wewnątrzosobnicze i międzyosobnicze) oraz różne proporcje danych oryginalnych do syntetycznych.
📊 Najważniejsze wnioski:
- Augmentacja może znacząco zmienić dokładność klasyfikacji - niektóre metody pogarszają wyniki, inne poprawiają generalizację modelu.
- Łączenie kilku technik często daje lepsze efekty niż pojedyncza metoda.
- Sposób podziału danych ma kluczowe znaczenie dla rzetelnej oceny skuteczności - szczególnie w kontekście zastosowań klinicznych.
💡 Dlaczego to ważne?
Wyniki mają bezpośrednie znaczenie dla projektowania systemów BCI w neurorehabilitacji. Pokazują, jak przygotowywać dane, aby modele głębokiego uczenia działały skuteczniej przy ograniczonej liczbie rzeczywistych danych pacjentów i lepiej generalizowały na nowych użytkowników.
📘 Zachęcamy do zapoznania się z pełnym artykułem - to praktyczny przewodnik po tym, jak świadomie stosować augmentację w analizie EEG:
Sztyler B., Królak A., Strumiłło P. (2026), "Influence of EEG Signal Augmentation Methods on Classification Accuracy of Motor Imagery Events", Sensors, 26(4), 1258. https://doi.org/10.3390/s26041258