基于信任机制的合成脑电图（EEG）增强方法在应用于新患者时，能够有效减少性能下降的情况

摘要

合成数据增强可能会无形中损害与真实数据无关的脑电图（EEG）数据的泛化能力。我们提出了“信任门控增强”（Trust-Gated Augmentation, TGA）机制：该机制使用基于真实数据训练的模型对合成数据窗口进行评分，以确保标签的一致性和可靠性；只有评分高于某个置信分位数 q 的样本才会被采用。当验证集的AUROC与仅使用真实数据的AUROC之间的差异超过预设阈值时，系统才会插入合成数据；否则，系统会恢复仅使用真实数据的方式。在PainMunich慢性疼痛研究（n = 189例慢性疼痛患者/88例对照组）中，由于受试者数量较少（5%），未采用门控机制的增强方法导致56%的实验数据对出现误差（ΔAUROC < −0.01）；而当置信分位数 q 设定为0.99时，这种增强方法的不良影响降至24%，且平均AUROC表现与仅使用真实数据的情况相当。在BCI IV-2a运动想象研究（n = 9例）中，同样由于受试者数量较少（25%），采用严格门控机制后，AUROC显著提高（从0.627提升至0.679），数据误差也显著减少（从0.44降至0.16）。协方差流形分析表明，合成数据窗口与真实数据流形存在显著差异（平均距离比为2.39 × 10⁴），这进一步证明了实施明确的数据管理机制的必要性。