维护隐私的多源半监督域名适应用于扣押预测

科学领域:

• 生物医学工程 生物医学工程
• 机器学习 机器学习
• 神经学 神经学

背景情况:

• 脑电图数据的患者间变异性给预测模型带来了挑战.
• 由于数据访问要求,现有的域调整 (DA) 方法引发了隐私问题.
• 当前的DA方法往往忽略了源患者之间的变异性,阻碍了适应.

研究的目的:

• 开发一种新的,保护隐私的,无多来源的半监督域适应性预测模型 (MSF-SSDA-SPM).
• 解决现有的DA方法的局限性,避免直接访问源患者数据,并考虑患者间的变化.

主要方法:

• 在MSF-SSDA-SPM模型中,每个源患者都被视为一个独特的源,从而产生了个别的预训练模型.
• 调整是使用预训练的源模型和有限的标记目标数据进行的,而无需访问原始源数据.
• 一个知识蒸策略将来自适应的源模型的知识集成到一个单一的目标模型中,同时优化特征提取器,同时结分类器.

主要成果:

• 在CHB-MIT数据集中,MSF-SSDA-SPM获得了88.6%的灵敏度,0.182/h的错误阳性率 (FPR) 和0.856的AUC.
• 在Kaggle数据集上,该模型获得了78.6%的灵敏度,0.178/h的FPR和0.784的AUC.
• 结果显示,预测性能和强大的隐私保护显著改善.

结论:

• 拟议的MSF-SSDA-SPM模型有效地克服了与传统的DA方法相关的隐私问题,用于基于EEG的预测.
• 该模型能够处理源患者之间的患者间变异性,从而提高了预测准确度.
• 无国界的MSF-SSDA-SPM为开发可靠和私有预测系统提供了一个有前途的解决方案.