换一批基于数据扩充和迁移学习的脑电信号质量评估方法
A data augmentation and transfer learning-based method for electroencephalogram signal quality assessment
摘要针对实际脑电(EEG)信号质量评估中数据获取困难、标注成本高等问题,本研究提出了一种基于数据扩充和迁移学习的EEG信号质量评估方法.首先,使用自回归模型拟合真实、干净的EEG信号;其次,通过在EEG信号中添加不同程度的模拟伪迹,形成多质量分布的模拟EEG,构建源域数据集;最后,提取EEG的多维特征并使用支持向量机(SVM)进行源域模型训练,通过关联对齐迁移学习方法实现特征对齐.实验结果显示,加入迁移学习后的SVM模型准确率、宏平均精准度、宏平均召回率和宏平均F1 分数分别为 84.00%、81.06%、85.76%和 82.85%,相比未经迁移学习的基线方法有明显提升.本研究结合数据扩充和迁移学习评估EEG信号质量,可为EEG信号质量评估提供一种低成本、跨场景的新方法.
更多相关知识
关键词
脑电信号脑电信号质量评估模拟脑电信号数据扩充迁移学习特征分析Electroencephalogram signalElectroencephalogram signal quality assessmentSimulated electroencephalogram sig-nalData augmentationTransfer learningFeature analysis
分类号
R318.5（医用一般科学）
栏目名称
DOI
10.19529/j.cnki.1672-6278.2026.01.04
发布时间
2026-04-21（万方平台首次上网日期，不代表论文的发表时间）
- 浏览2
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
