Use of Spiking Neural Networks over Augmented EEG Dataset

Abstract

The relatively small size of EEG datasets impacts the use of traditional and spiking neural networks as EEG data classifiers. Since getting a larger number of EEG recordings requires much laborious laboratory work, using data augmentation methods and techniques seems beneficial. This paper deals with the experiments with, in particular, spiking neural networks over the augmented P300 dataset. Augmentation methods for EEG data are shortly presented; generative adversarial network models and sliding windows of various sizes are used to augment the original P300 dataset. The classification results over the original and augmented P300 datasets are compared, noting that classification accuracy increased by almost 27%.

Relativně malá velikost souborů EEG dat ovlivňuje použití tradičních a impulzních neuronových sítí jako klasifikátorů EEG dat. Vzhledem k tomu, že získání většího počtu EEG záznamů vyžaduje mnoho pracné laboratorní práce, jeví se jako přínosné použití metod a technik rozšiřování dat. Tento článek se zabývá experimenty zejména s impulzními neuronovými sítěmi nad rozšířeným souborem P300 dat. Krátce jsou představeny metody rozšiřování EEG dat; k rozšíření původní sady P300 dat jsou použity generativní modely adverzních sítí a klouzavá okna různých velikostí. Jsou porovnány výsledky klasifikace nad původním a rozšířeným souborem P300 dat; přesnost klasifikace se zvýšila téměř o 27 %.