用于睡眠数据学习的卷积蒙日映射归一化
信号处理
2023-11-14 v3 机器学习
摘要
在信号与生物医学数据（尤其是脑电图（EEG））的许多机器学习应用中，一个主要挑战是数据在受试者、会话和硬件设备之间的变异性。在这项工作中，我们提出了一种称为卷积蒙日映射归一化（CMMN）的新方法，该方法通过对信号进行滤波，使其功率谱密度（PSD）适应在训练数据上估计的 Wasserstein 重心。CMMN 依赖于最优传输映射与重心的新闭式解，并提供对新数据的个体测试时自适应，而无需重新训练预测模型。在睡眠 EEG 数据上的数值实验表明，在受试者间、会话间甚至使用不同硬件采集的数据集间进行自适应时，CMMN 带来了显著且一致的性能提升，且与神经网络架构无关。值得注意的是，我们的性能提升与计算量更大的域自适应（DA）方法相当，并且可与之结合使用以获得更好的性能。
引用
@article{arxiv.2305.18831,
title = {Convolutional Monge Mapping Normalization for learning on sleep data},
author = {Théo Gnassounou and Rémi Flamary and Alexandre Gramfort},
journal= {arXiv preprint arXiv:2305.18831},
year = {2023}
}