IEFS-GMB: 基于信息熵与梯度记忆库引导的特征选择方法用于神经系统疾病脑电图分类
机器学习
2025-09-22 v1 人工智能
摘要
基于深度学习的脑电图（EEG）分类对于神经系统疾病的自动检测至关重要，有助于提高诊断准确性并实现早期干预。然而，EEG信号低信噪比限制了模型性能，使特征选择（FS）对于优化神经网络编码器学习的表示至关重要。现有的FS方法很少专门针对EEG诊断设计；许多方法依赖于特定架构且缺乏可解释性，限制了其适用性。此外，大多数方法依赖单次迭代数据，导致对变异性的鲁棒性有限。为解决这些问题，我们提出了IEFS-GMB，一种由梯度记忆库引导的基于信息熵的特征选择方法。该方法构建了一个存储历史梯度的动态记忆库，通过信息熵计算特征重要性，并应用基于熵的加权来选择信息量大的EEG特征。在四个公开神经系统疾病数据集上的实验表明，配备IEFS-GMB的编码器相比基线模型实现了0.64%至6.45%的准确率提升。该方法还优于四种竞争性特征选择技术，并提升了模型的可解释性，支持其在临床环境中的实际应用。
引用
@article{arxiv.2509.15259,
title = {IEFS-GMB: Gradient Memory Bank-Guided Feature Selection Based on Information Entropy for EEG Classification of Neurological Disorders},
author = {Liang Zhang and Hanyang Dong and Jia-Hong Gao and Yi Sun and Kuntao Xiao and Wanli Yang and Zhao Lv and Shurong Sheng},
journal= {arXiv preprint arXiv:2509.15259},
year = {2025}
}