Interpolation spatiale de signaux sur graphes avec une application pour la fusion d'ensembles de données EEG de diverses dimensions
Résumé
BCI Motor Imagery datasets usually are small and have different electrodes setups. When training a Deep Neural Network, one may want to capitalize on all these datasets to increase the amount of data available and hence obtain good generalization results. To this end, we introduce a spatial graph signal interpolation technique, that allows to interpolate efficiently multiple electrodes. We conduct a set of experiments with five BCI Motor Imagery datasets comparing the proposed interpolation with spherical splines interpolation. We believe that this work provides novel ideas on how to leverage graphs to interpolate electrodes and on how to homogenize multiple datasets.
Dans le domaine des Interfaces Cerveau Machine (ICM), les ensembles de données sont généralement petits et ont des configurations d'électrodes différentes. Lors de l'entraînement d'un réseau de neurones profond, il peut être souhaitable de capitaliser sur plusieurs de ces ensembles de données pour augmenter la quantité de données disponibles et améliorer la généralisation. À cette fin, nous proposons une technique d'interpolation spatiale de signaux sur graphe permettant d'interpoler efficacement plusieurs électrodes. Nous menons une série d'expériences avec 5 ensembles de données données ICM d'Imagerie Motrice en comparant l'interpolation proposée avec l'interpolation par splines sphériques. Nous pensons que ce travail apporte des idées novatrices sur la façon de tirer parti des graphes pour interpoler des électrodes et sur la façon d'homogénéiser plusieurs ensembles de données.
Fichier principal
Gretsi_2023_interpolation_spatiale_elouahidi.pdf (661.24 Ko)
Télécharger le fichier
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|
