生物信号分类中的域泛化
计算机视觉与模式识别
2020-11-13 v1
摘要
目的：在训练机器学习模型时，我们通常假设训练数据与评估数据来自同一分布。然而，当模型在另一个未见过但相似的数据库上评估时，即使该数据库包含相同的类别，这一假设也会被打破。该问题由域偏移引起，可通过两种方法解决：域适应与域泛化。简而言之，域适应方法在训练时可访问来自未见过域的数据；而在域泛化中，未见过的数据在训练时不可用。因此，域泛化关注于在不可访问的、域偏移数据上表现良好的模型。方法：我们提出的域泛化方法使用一组已知基域来表示未见过域，随后通过分类器融合对该未见过域进行分类。为展示我们的系统，我们采用了一组包含正常与异常心音（类别）的心脏声音数据库。结果：我们提出的分类器融合方法在四个完全未见过域上实现了高达 16% 的准确率提升。结论：认识到生物信号数据固有时间特性所带来的复杂性，本研究提出的两阶段方法能够有效简化域泛化的整个过程，同时在未见过域和所采用的基域上展现出良好结果。意义：据我们所知，这是首个研究生物信号数据域泛化的工作。我们提出的学习策略可有效学习域相关特征，同时感知数据中的类别差异。
引用
@article{arxiv.2011.06207,
title = {Domain Generalization in Biosignal Classification},
author = {Theekshana Dissanayake and Tharindu Fernando and Simon Denman and Houman Ghaemmaghami and Sridha Sridharan and Clinton Fookes},
journal= {arXiv preprint arXiv:2011.06207},
year = {2020}
}