"预训练,即时"框架以提高EEG分析中的图形神经网络性能

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 生物医学工程 生物医学工程

背景情况:

• 电脑电图 (EEG) 对神经科学和临床诊断至关重要,但由于复杂的非欧几里德数据结构和稀缺性,它存在挑战.
• 在有限的EEG数据上训练有效的图形神经网络 (GNN) 模型是困难的,阻碍了EEG分析的进步.
• 当前的方法在面对有限的EEG数据集时,往往在概括和稳定性方面扎.

研究的目的:

• 开发一个新的GNN框架,基于GNN的EEG快速学习 (GEPL),以解决EEG分析中的数据稀缺问题.
• 通过使用有限的目标域数据,提高GNN模型对EEG分类的性能.
• 提高EEG分析模型的概括性,稳定性和可解释性.

主要方法:

• 提出了基于GNN的EEG分析的"训练前及时"框架 (GEPL).
• 雇员无监督的对比学习用于大规模EEG数据集的预培训.
• 利用图表提示学习,将知识传输到具有有限数据的目标EEG数据集.

主要成果:

• 在五个EEG数据集中,GEPL在分类准确性和AUC方面显著优于传统的微调方法.
• 与现有方法相比,证明了改进的概括性,稳定性和计算效率.
• 显著降低了与有限的EEG数据相关的过拟合风险,并通过突出显示相关大脑区域提供了可解释的结果.

结论:

• "预训,即时"模式对EEG分析非常有效,特别是当数据有限时.
• 在数据稀缺领域,GEPL为提高GNN性能提供了一个有前途的解决方案.
• 该框架的可解释性和效率表明它在神经科学及其他领域具有广泛的应用性.