Elettroencefalogramma (EEG) i dati sono cruciali per diagnosticare la salute mentale
condizioni, ma la raccolta su larga scala è costosa e richiede molto tempo. Dati sintetici
generation offre una soluzione promettente per aumentare i set di dati per l’apprendimento automatico
applicazioni. Tuttavia, generando un EEG sintetico di alta qualità che preserva
i segnali di salute emotiva e mentale rimangono impegnativi. Questo studio propone a
metodo che combina analisi di correlazione e campionamento casuale per generare risultati realistici
dati EEG sintetici.
Analizziamo innanzitutto le interdipendenze tra le bande di frequenza EEG utilizzando
analisi di correlazione. Guidato da questa struttura, generiamo campioni sintetici
tramite campionamento casuale. Vengono conservati i campioni con elevata correlazione con i dati reali
e valutati attraverso l'analisi della distribuzione e compiti di classificazione. Un casuale
Il modello forestale addestrato a distinguere l'EEG sintetico da quello reale funziona in modo casuale
livello, indicando alta fedeltà.
I dati sintetici generati corrispondono strettamente a quelli statistici e strutturali
proprietà dell'EEG originale, con coefficienti di correlazione simili e n
differenze significative nei test PERMANOVA. Questo metodo fornisce un metodo scalabile,
approccio di tutela della privacy per aumentare i set di dati EEG, consentendo di più
modello di formazione efficiente nella ricerca sulla salute mentale.

Questo articolo esplora i giri e le loro implicazioni.

Scarica PDF: