用于EEG分析的域调整模型:在异质数据集中减轻空间和光谱变量
概括
域调整改善了神经系统疾病的电脑电图 (EEG) 分析. 我们的模型对齐了各种EEG数据集,通过保留关键的神经生理学标记,提高了和抑郁症等疾病的诊断准确性.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 生物医学信号处理
背景情况:
- 电脑电图 (EEG) 对于诊断神经系统疾病至关重要.
- 在EEG分析中,模型的概括通常受到由于数据采集和标准的变化而导致的领域转移的限制.
研究的目的:
- 为EEG分析开发一个强大的域适应模型,克服域转移.
- 改进基于EEG的诊断模型在异质数据集中的概括和分类性能.
主要方法:
- 提出了一个新的域调整模型,整合了平均教师模型 (MTM),最大平均差异 (MMD),拓损失,频率规范化和吸引器损失.
- 利用特定于EEG的属性来对齐异质数据集,特别是将CHB-MIT (源) 与TUH Seizure/MDD数据集 (目标) 进行对齐.
主要成果:
- 在分类性能 (F1评分) 和域调整 (贾卡德系数) 中显著改进.
- 成功保存了关键的神经生理学标志物,包括20Hz相关的尖峰和与抑郁症相关的状α抑制.
- 构建了一个潜在的空间,有效地保留了和抑郁的EEG特征,突出了P8.8等关键通道的空间贡献.
结论:
- 拟议的域调整模型有效地解决了EEG数据中的域转移,从而提高了诊断准确性.
- 该模型能够保存神经生理学标记并构建有意义的潜伏空间,这为临床环境中强大的EEG分析提供了有希望的方法.
