基于交换对抗框架的脑电图运动伴状病预测中的域泛化提升
机器学习
2026-02-12 v1 人工智能
摘要
脑电图（ECoG）为传统电生理图（EEG）提供了一种更具潜力的早期预测运动伴状病（PD）的方法，因其更高的空间分辨率和更广的频率范围。然而，可重复的比较受限于人类研究的伦理限制以及缺乏公开基准数据集。为此，我们引入了新的数据集，这是第一个用于 PD 预测的可重复基准。该数据集由 6-hydroxydopamine（6-OHDA）诱导的大鼠模型的长期 ECoG 记录构建而成，标注为电刺激前后测量的神经反应。此外，我们提出了一种交换对抗框架（SAF），该框架在 ECoG 数据中缓解了高人类间变异性和高维低样本量（HDLSS）问题，同时在 ECoG 和 EEG 基于脑电接口（BCI）数据集之间实现稳健的域泛化。该框架集成了（1）稳健的预处理、（2）人类间平衡信道交换（ISBCS）用于跨人类增强，以及（3）域对抗训练以抑制主题特定偏差。ISBCS 随机在主题之间交换信道以减少人类间变异性，域对抗训练同时鼓励模型学习任务相关的共享特征。我们通过在跨主题、跨会话和跨数据集设置下的大量实验验证了所提出方法的有效性。该方法在所有设置下均一致优于所有基线方法，在高度可变环境中取得最显著的改进。此外，所提出的方法在公开 EEG 基准数据集之间实现了卓越的跨数据集性能，显示出强大的泛化能力，不仅限于 ECoG，甚至扩展到 EEG 数据。新数据集和源代码将在发表后公开。
引用
@article{arxiv.2602.10528,
title = {A Swap-Adversarial Framework for Improving Domain Generalization in Electroencephalography-Based Parkinson's Disease Prediction},
author = {Seongwon Jin and Hanseul Choi and Sunggu Yang and Sungho Park and Jibum Kim},
journal= {arXiv preprint arXiv:2602.10528},
year = {2026}
}