强化学习调教扩散模型，合成脑电让分类持续变好

内容概述 该研究提出RLED，一种强化学习增强的EEG扩散框架，用于内源性EEG任务的适应性数据增强，重点面向运动想象与情绪识别。研究指出，开发可靠的EEG脑机接口系统通常需要大规模多样化训练数据，但受试者疲劳与个体间变异使数据收集困难。该框架整合强化学习机制动态调节扩散训练过程，在时间、频谱与类别相关特征之间取得灵活平衡。在四个数据集上的实验表明，该方法生成的高质量合成EEG信号能持续改善分类性能。作者认为，RLED可作为实际脑机接口应用中EEG数据增强与泛化的有前景工具，缓解训练数据不足对系统开发的影响。