Augmentation des données

Les recherches actuelles montrent qu'il est possible d'obtenir des résultats significatifs grâce à des techniques relativement simples. Par exemple, Freer a observé que l'ajout de bruit aux données collectées, afin de générer des points de données supplémentaires, améliorait les capacités d'apprentissage de plusieurs modèles dont les performances étaient initialement assez faibles. Tsinganos et al. ont étudié les approches de déformation d'amplitude, de décomposition en ondelettes et de modèles EMG de surface synthétiques (approches génératives) pour la reconnaissance des gestes de la main, et ont constaté une amélioration des performances de classification pouvant atteindre +16 % grâce à l'introduction de données augmentées lors de l'entraînement. Plus récemment, les études sur l'augmentation de données se sont concentrées sur le domaine de l'apprentissage profond, et plus précisément sur la capacité des modèles génératifs à créer des données artificielles qui sont ensuite intégrées au processus d'entraînement du modèle de classification. En 2018, Luo et al. ont observé que des données de signaux EEG utiles pouvaient être générées par des réseaux antagonistes génératifs de Wasserstein conditionnels (GAN), puis intégrées à l'ensemble d'entraînement dans un cadre d'apprentissage classique par essais et erreurs. Les auteurs ont constaté une amélioration des performances de classification grâce à l'introduction de ces techniques.