面向跨数据集主观性耳鸣诊断的解耦与侧别感知无监督域适应
信号处理
2022-11-08 v2 机器学习
摘要
基于EEG的耳鸣分类是耳鸣诊断、研究和治疗的有价值工具。当前多数工作局限于数据模式相似单一数据集。但EEG信号高度非平稳,导致模型对新用户、新会话或新数据集泛化能力差。因此,设计可泛化至新数据集的模型有益且必要。为缓解跨数据集分布差异,我们提出解耦与侧别感知无监督域适应(DSUDA)用于跨数据集耳鸣诊断。所开发的解耦自编码器从EEG信号中解耦与类别无关信息以提升分类能力。侧别感知无监督域适应模块将类别无关信息作为域方差适配至新数据集,并剔除该方差以获得新数据集分类用的类别精炼特征;其还对左右耳信号进行对齐以克服固有的EEG模式差异。我们将DSUDA与最先进方法比较,所提模型在综合评价指标上显著优于对比方法。结果表明我们的模型能成功泛化至新数据集并有效诊断耳鸣。
引用
@article{arxiv.2205.03230,
title = {Disentangled and Side-aware Unsupervised Domain Adaptation for Cross-dataset Subjective Tinnitus Diagnosis},
author = {Yun Li and Zhe Liu and Lina Yao and Jessica J. M. Monaghan and David McAlpine},
journal= {arXiv preprint arXiv:2205.03230},
year = {2022}
}