无监督的域调整用于跨患者的发作分类.
Ziwei Wang1, Wen Zhang1, Siyang Li1
1Key Laboratory of the Ministry of Education for Image Processing and Intelligent Control, School of Artificial Intelligence and Automation, Huazhong University of Science and Technology, Wuhan 430074, People's Republic of China.
Journal of neural engineering
|October 31, 2023
概括
这项研究引入了一种新方法,用于使用来自多名患者的脑电图 (EEG) 数据来分类发作. 该方法通过在没有人工干预的情况下准确标记新患者数据来提高诊断效率.
科学领域:
- 神经学 神经学
- 生物医学工程 生物医学工程
- 机器学习 机器学习
背景情况:
- 发作的分类依赖于电脑电图 (EEG) 数据.
- 跨患者EEG分析的挑战包括低信号噪声比,非静止性和个体变异性.
- 在患者之间开发可通用的发作分类模型仍然是困难的.
研究的目的:
- 为了应对跨患者基于EEG的发作分类的挑战,使用多源无监督域调整.
- 开发一种新的方法,利用来自多个来源患者的标记EEG数据来对新目标患者的发作进行分类.
- 提高自动发作诊断的效率和准确性.
主要方法:
- 提出了一个源域选择 (SDS) - 全球域调整 (GDA) - 目标代理子域调整 (TASA) 框架.
- SDS会过出不同来源的患者数据.
- GDA 将所选来源和目标域之间的整体数据分布对齐.
- TASA 确定了标签转移最相关的源域.
主要成果:
- SDS-GDA-TASA方法在无监督的跨患者发作分类中表现出卓越的表现.
- 在两个公开扣押数据集上表现优于13种现有方法.
- 验证了拟议的领域适应战略的有效性.
结论:
- 开发的SDS-GDA-TASA方法显著提高了无监督跨患者发作分类的准确性.
- 这种方法有可能大大减少临床医生手动标记EEG数据所需的时间和精力.
- 提高了患者发作诊断的整体效率.
