EEG-MACS：不可靠标注下基于 EEG 的跨中心脑疾病诊断的流形注意力与置信度分层
信号处理
2026-02-09 v3 人工智能
机器学习
摘要
跨中心数据异质性与标注不可靠性极大地挑战了利用脑信号进行疾病的智能诊断。一个典型例子是基于 EEG 的神经退行性疾病诊断，其特征是在小样本场景下通常能观察到更微妙的异常神经动态。为了推进这一领域，本工作引入了一个采用流形注意力与置信度分层（MACS）的可迁移框架，用于对来自四个中心且标注不可靠的 EEG 信号进行神经退行性疾病诊断。MACS 框架的有效性源于以下特征：1）增强器生成各种以 EEG 表示的脑变体以丰富数据空间；2）切换器增强可信样本的特征空间，并减少对错误标记样本的过拟合；3）编码器使用黎曼流形和欧几里得度量来捕捉 EEG 中的时空变化和动态同步；4）配备双头的投影器监控多个脑变体间的一致性并确保诊断准确性；5）分层器在整个训练过程中根据置信度水平自适应地对学习到的样本进行分层；6）MACS 中的前向和反向传播受置信度分层约束，以在不可靠标注下稳定学习系统。我们在神经认知障碍和运动障碍上使用跨中心语料库进行的跨被试独立实验表明，其性能优于现有的相关算法。本工作不仅改进了面向跨中心和小样本场景脑疾病的基于 EEG 的诊断，还为将 MACS 技术扩展到其他数据分析提供了见解，以解决多媒体和多模态内容理解中的数据异质性与标注不可靠问题。
引用
@article{arxiv.2405.00734,
title = {EEG-MACS: Manifold Attention and Confidence Stratification for EEG-based Cross-Center Brain Disease Diagnosis under Unreliable Annotations},
author = {Zhenxi Song and Ruihan Qin and Huixia Ren and Zhen Liang and Yi Guo and Min Zhang and Zhiguo Zhang},
journal= {arXiv preprint arXiv:2405.00734},
year = {2026}
}
备注
15 pages, 9 figures. Oral presentation at ACM MM 2024