krishk97/ECE-C247-EEG-GAN

🧠 Sinh dữ liệu EEG giả lập bằng GAN & VAE để cải thiện phân loại motor imagery

Dự án môn học UCLA EE C247 triển khai 3 kiến trúc GAN và VAE trên dữ liệu EEG 22 kênh, 9 đối tượng, 4 nhiệm vụ motor imagery từ BCI Competition IV 2a.

Dự án này là bài tập cuối kỳ của môn EE C247: Neural Networks and Deep Learning tại UCLA. Mục tiêu chính: xây dựng dữ liệu EEG nhân tạo bằng Generative Adversarial Networks (GAN) và Variational Autoencoders (VAE), sau đó đánh giá tác động của dữ liệu sinh ra đến độ chính xác phân loại motor imagery (tưởng tượng chuyển động). Dữ liệu gốc lấy từ BCI Competition IV, Data sets 2a — 22 kênh EEG, 9 người tham gia, 4 lớp motor imagery (tay trái, tay phải, chân, lưỡi). Toàn bộ code viết bằng Python 3.6 + TensorFlow 2.x, huấn luyện trên Google Colab TPU.

✨ Điểm nổi bật

• 3 kiến trúc GAN: DCGAN, Wasserstein GAN (WGAN), WGAN với Gradient Penalty (WGAN-GP) — cùng generator/discriminator nhưng khác hàm loss và kỹ thuật ổn định hóa.
• VAE để học phân bố tiềm ẩn của tín hiệu EEG thô, kỳ vọng nắm bắt đặc trưng hữu ích.
• Tiền xử lý đa dạng: sub-sampling (250 Hz → tần số não bộ 0-15 Hz), random/sequential cropping (cửa sổ 4s sau cue, thời gian phản ứng ~250ms), Continuous Wavelet Transform (CWT) trích xuất đặc trưng thời gian-tần số.
• 2 kiến trúc CNN phân loại: Shallow CNN (Schirrmeister et al.) cho EEG thời gian thực, CNN truyền thống cho dữ liệu CWT (chỉ 5 kênh Fz, C3, Cz, C4, Pz).
• So sánh augmentation truyền thống: sequential cropping cho accuracy cao nhất, sub-sampling và random cropping làm giảm accuracy so với baseline.
• Đánh giá cross-subject: Shallow CNN trên sequential cropping generalize tốt ở subject 0, 1, 6, 7.
• Pipeline hoàn chỉnh: từ tiền xử lý → huấn luyện generative models → sinh dữ liệu → augment vào tập huấn luyện → đánh giá phân loại.

💡 Vì sao đáng chú ý

Dự án minh họa rõ ràng quy trình kết hợp generative models với BCI — một bài toán thực tế nơi dữ liệu EEG thường ít, nhiễu, và tốn kháng thu thập. Việc thử nghiệm song song 3 biến thể GAN + VAE trên cùng một bộ dữ liệu và pipeline cho thấy sự đánh đổi: GAN (đặc biệt WGAN-GP) tái tạo tốt đặc trưng cục bộ, VAE học tốt phân bố toàn cục nhưng sinh mẫu kém thực tế hơn. Kết quả augmentation truyền thống (sequential cropping) đã vượt baseline là insight giá trị: đôi khi kỹ thuật đơn giản hiểu bản chất dữ liệu (cửa sổ phản ứng người) hiệu quả hơn generative models phức tạp. Code mở, notebook Colab-ready, phù hợp làm reference cho nghiên cứu EEG synthesis, data augmentation cho BCI, hoặc so sánh GAN/VAE trên tín hiệu sinh học chuỗi thời gian.

---

#EEG #GAN #WGAN-GP #VAE #BCI #MotorImagery #TensorFlow2 #OpenSource #TiniX