基于分组特征学习与域对抗神经网络的 aMCI 脑电诊断系统
机器学习
2021-05-14 v1 机器人学
信号处理
摘要
医疗诊断机器人系统因其客观性与准确性日益受到关注。轻度认知障碍（MCI）的诊断被视为预防阿尔茨海默病（AD）的有效手段。医生基于多种临床检查诊断 MCI，这些检查费用高昂且诊断结果依赖医生知识。因此，有必要开发机器人诊断系统以消除人为因素影响并获得更高准确率。本文提出一种新颖的分组特征域对抗神经网络（GF-DANN）用于遗忘型 MCI（aMCI）诊断，其包含两个重要模块。提出分组特征提取（GFE）模块，通过对抗学习学习组级特征以减少个体差异。精心设计的双分支域适应（DBDA）模块以域适应方式减少源域与目标域间的分布差异。在三类数据集上，GF-DANN 相较经典机器学习与深度学习方法取得最佳准确率。在 DMS 数据集上，GF-DANN 准确率达 89.47%，灵敏度与特异度分别为 90% 与 89%。此外，通过比较三种 EEG 数据采集范式，结果表明 DMS 范式有潜力构建 aMCI 诊断机器人系统。
引用
@article{arxiv.2105.06270,
title = {Group Feature Learning and Domain Adversarial Neural Network for aMCI Diagnosis System Based on EEG},
author = {Chen-Chen Fan and Haiqun Xie and Liang Peng and Hongjun Yang and Zhen-Liang Ni and Guan'an Wang and Yan-Jie Zhou and Sheng Chen and Zhijie Fang and Shuyun Huang and Zeng-Guang Hou},
journal= {arXiv preprint arXiv:2105.06270},
year = {2021}
}
备注
This paper has been accepted by 2021 International Conference on Robotics and Automation (ICRA 2021)