通过跨数据集转移学习扩大EEG信号通路中的病理检测
Mohammad-Javad Darvishi-Bayazi1, Mohammad Sajjad Ghaemi2, Timothee Lesort3
1Mila, Québec AI Institute, Montréal, QC, Canada; Faubert Lab, Montréal, QC, Canada; Université de Montréal, Montréal, QC, Canada.
Computers in biology and medicine
|January 6, 2024
概括
转移学习改善了大脑活动 (EEG) 病理学分类,当标记数据稀缺时. 较大的模型在转移学习方面表现出色,而数据缩放需要仔细评估,以避免负转移.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 电脑电图 (EEG) 信号分析对于诊断神经系统疾病至关重要.
- 机器学习 (ML) 为数据驱动的诊断提供了潜力,但在真实世界的数据方面面临着挑战.
- 标记数据的稀缺性,特别是在低数据制度中,需要先进的技术,如转移学习.
研究的目的:
- 调查数据和模型缩放和跨数据集知识转移在EEG病理学分类中的有效性.
- 突出挑战,如ML应用中的负转移和分布转移.
- 为了证明转移学习在神经障碍诊断的低数据场景中的好处.
主要方法:
- 探索数据缩放技术及其对分类性能的影响.
- 通过利用来自源数据集 (TUAB) 到目标数据集 (NMT) 的知识来应用转移学习.
- 模型性能的比较,包括小 (ShallowNet) 和大 (TCN) 模型,在单一数据集和转移学习设置中.
主要成果:
- 数据缩放产生了不同的性能改进,强调需要仔细评估和标记数据.
- 从TUAB数据集成功转移知识,改善了在有限的标记数据的NMT数据集上的目标模型性能.
- 较大的模型 (TCN) 在不同数据集上的较小模型 (ShallowNet) 相比,在转移学习方面表现优越.
结论:
- 转移学习在低数据场景中的EEG病理分类中是有效的.
- 解决分布变化和虚假相关性是实现正转移的关键.
- 模型大小和数据集多样性显著影响转移学习的有效性,较大的模型从多样化的数据中获益更多.
