基于知识-数据融合的无源半监督域适应用于癫痫亚型分类
机器学习
2024-12-02 v1 人工智能
人机交互
摘要
基于脑电图 (EEG) 的癫痫亚型分类提高了临床诊断效率。没有源数据且目标数据有限标记的无源半监督域适应 (SF-SSDA) 可用于隐私保护的癫痫亚型分类。本文考虑 SF-SSDA 用于 EEG 基于癫痫亚型分类的两个挑战:1)如何有效地在分类器设计中融合原始 EEG 数据和专家知识?2)如何对 SF-SSDA 的源域和目标域分布进行对齐?我们提出了一种基于知识-数据融合的 SF-SSDA 方法，即 KDF-MutualSHOT，用于 EEG 基于癫痫亚型分类。在源模型训练中，KDF 使用 Jensen-Shannon 散度来促进基于特征的决策树模型与数据驱动的 Transformer 模型之间的相互学习。为适应 KDF 到新的目标数据集，开发了一种 SF-SSDA 算法，即 MutualSHOT，它特点是基于一致性的伪标签选择策略。在来自公共 TUSZ 和 CHSZ 数据集上的实验表明，KDF-MutualSHOT 在基于主题的癫痫亚型分类中优于其他监督和无源域适应方法。
引用
@article{arxiv.2411.19502,
title = {Knowledge-Data Fusion Based Source-Free Semi-Supervised Domain Adaptation for Seizure Subtype Classification},
author = {Ruimin Peng and Jiayu An and Dongrui Wu},
journal= {arXiv preprint arXiv:2411.19502},
year = {2024}
}