通过基于 Transformer 的扩散模型随机重组原始与生成数据以改进 EEG 分类

基于摘要分析。本文针对 EEG 数据稀缺及生成式数据增强效果受限的问题，提出基于 Transformer 的去噪扩散概率模型，并通过在时域随机重组原始数据与生成数据构造邻域样本，以改善 EEG 分类。主要贡献包含面向 EEG 的生成模型设计和生成数据的增强使用方式，而不只是扩充训练样本数量。 在生成端，作者提出常数因子缩放预处理，并称其有助于减少信号信息损失；模型引入 Multi-Scale Convolution 和 Dynamic Fourier Spectrum Information 模块，旨在提高训练稳定性与生成数据质量。摘要未提供缩放规则、模块结构、扩散过程配置或生成质量评估指标，相关机制及效果尚需全文核对。 在分类端，增强方法将生成数据与原始数据在时域随机重组，得到邻域数据，并通过最小化经验风险与邻域风险提升分类性能。重组的时间粒度、标签分配、生成样本比例，以及两类风险的具体目标形式尚未验证；这些细节关系到重组后样本能否保留任务相关时序特征及标签语义。 作者报告在四个 EEG 数据集、对应四项任务上观察到 Accuracy 改进：Bonn 为 14.00%，SleepEDF-20 为 6.38%，FACED 为 9.42%，Shu 为 2.5%。摘要未明确这些数值是相对百分比提升还是百分点增益，也未说明对照基线、数据划分及被试内、跨被试或跨会话协议，因此不能直接比较各数据集的收益大小，亦不能据此确认统计显著性。 复现时需核对生成模型与分类器所用的数据划分、随机重组规则、分类基线，以及各模块和增强步骤的独立贡献。实验协议、消融及统计信息尚未验证。作者表示将公开代码，但所给材料未确认代码已发布。