通过跨数据集迁移学习增强脑电信号通路中的病理检测
机器学习
2024-02-05 v1 人工智能
摘要
基于EEG信号并解码大脑活动的病理诊断在理解神经系统疾病方面具有重要意义。随着人工智能方法与机器学习技术的发展，准确的数据驱动诊断与有效治疗的潜力已显著增长。然而，将机器学习算法应用于真实世界数据集在多个层面带来多样挑战。标注数据的稀缺，尤其在因招募成本高而导致真实患者队列有限的低资源场景下，凸显了扩展与迁移学习技术部署的关键性。在本研究中，我们探索一个真实世界病理分类任务，以凸显数据与模型扩展及跨数据集知识迁移的有效性。由此，我们观察到通过数据扩展带来的性能改善存在差异，表明需仔细评估与标注。此外，我们识别出可能的负迁移挑战，并强调若干关键组件对于克服分布偏移与潜在伪相关、实现正迁移的重要性。当可用标注数据较少时，我们利用源数据集（TUAB）的知识，在目标（NMT）数据集上看到目标模型性能的提升。我们的发现表明，小而通用的模型（如ShallowNet）在单一数据集上表现良好，而更大的模型（如TCN）在迁移及从更大且多样的数据集学习时表现更优。
引用
@article{arxiv.2309.10910,
title = {Amplifying Pathological Detection in EEG Signaling Pathways through Cross-Dataset Transfer Learning},
author = {Mohammad-Javad Darvishi-Bayazi and Mohammad Sajjad Ghaemi and Timothee Lesort and Md Rifat Arefin and Jocelyn Faubert and Irina Rish},
journal= {arXiv preprint arXiv:2309.10910},
year = {2024}
}