隐私约束下癫痫发作检测的联邦少样本学习
机器学习
2025-12-17 v1 人工智能
摘要
已开发出许多基于 EEG 的癫痫发作检测的深度学习方法；然而，大多数依赖于访问大型集中标注数据集。在临床实践中，EEG 数据通常稀缺、患者特异性分布于各机构，并受严格隐私法规约束，禁止数据汇集。因此，在真实的医疗环境中创建可用的 AI 癫痫检测模型仍然具有挑战性。为解决这些限制，我们提出了一种两阶段联邦少样本学习（FFSL）框架，用于个性化基于 EEG 的癫痫发作检测。该方法在 TUH Event Corpus 上进行训练和评估，该语料库包含六个 EEG 事件类别。在第一阶段，预训练的生物信号变换器（BIOT）通过联邦学习在非 IID 模拟医院站点上进行微调，无需集中 EEG 记录即可实现共享表征学习。在第二阶段，联邦少样本个性化利用仅五个标注 EEG 段将分类器适配到每位患者，保留癫痫特异性信息，同时仍受益于跨站点知识。联邦微调实现了平衡准确率 0.43（集中式：0.52）、Cohen's kappa 0.42（0.49）和加权 F1 0.69（0.74）。在 FFSL 阶段，客户端特定模型在四个具有异质事件分布的站点上达到了平均平衡准确率 0.77、Cohen's kappa 0.62 和加权 F1 0.73。这些结果表明，FFSL 可以在真实的数据可用性和隐私约束下支持有效的患者自适应癫痫发作检测。
引用
@article{arxiv.2512.13717,
title = {Federated Few-Shot Learning for Epileptic Seizure Detection Under Privacy Constraints},
author = {Ekaterina Sysoykova and Bernhard Anzengruber-Tanase and Michael Haslgrubler and Philipp Seidl and Alois Ferscha},
journal= {arXiv preprint arXiv:2512.13717},
year = {2025}
}
备注
12 pages