计算机工程

作者：王夙喆, 张雪英, 陈晓玉, 李凤莲, 吴泽林

单位：太原理工大学电子信息与光学工程学院, 山西 太原 030600

关键词：脑卒中,脑电,生成对抗网络,自注意力机制,线性有效自注意力

基金：国家自然科学基金(62171307); 山西省应用基础研究计划面上项目(202103021224113)

在基于脑电的卒中分类诊断任务中, 以卷积神经网络为基础的深度模型得到广泛应用, 但由于卒中类别病患样本数量少, 导致数据集类别不平衡, 降低了分类精度。现有的少数类数据增强方法大多采用生成对抗网络(GAN), 生成效果一般, 虽然可通过引入缩放点乘注意力改善样本生成质量, 但存储及运算代价往往较大。针对此问题, 构建一种基于线性有效注意力的渐进式数据增强算法LESA-CGAN。首先, 算法采用双层自编码条件生成对抗网络架构, 分别进行脑电标签特征提取及脑电样本生成, 并使生成过程逐层精细化; 其次, 通过在编码部分引入线性有效自注意力(LESA)模块, 加强脑电的标签隐层特征提取, 并降低网络整体的运算复杂度。消融与对比实验结果表明, 在合理的编码层数与生成数据比例下, LESA-CGAN与其他基准方法相比计算资源占用较少, 且在样本生成质量指标上实现了10%的性能提升, 各频段生成的脑电特征样本均更加自然, 同时将病患分类的准确率和敏感度提高到了98.85%和98.79%。

来源：2024年第8期

《计算机工程》期刊编辑部

查看计算机工程杂志2024年第8期