mixEEG：利用定制化 mixup 增强跨受试者 EEG 分类的联邦学习
信号处理
2025-04-14 v1 机器学习
摘要
由于不同受试者之间认知过程和生理结构的差异，跨受试者脑电图（EEG）分类面临巨大挑战。现代 EEG 模型基于神经网络，需要大量数据才能实现高性能和泛化能力。然而，与 EEG 相关的隐私问题对各家医院和机构之间的数据共享构成了重大限制，导致大多数 EEG 任务缺乏大型数据集。联邦学习（FL）使多个分散的客户端能够在不直接传输原始数据的情况下协同训练全局模型，从而保护隐私。我们首次在联邦学习设置下研究了跨受试者 EEG 分类。在本文中，我们提出了一个简单而有效的框架，称为 mixEEG。具体而言，考虑到 EEG 模态的独特性质，我们对原始 mixup 进行了定制。mixEEG 在域适应设置下共享未见受试者的无标签平均数据，而不是简单地共享原始数据，从而更好地保护隐私并提供平均标签作为伪标签。我们在一个癫痫检测和一个情绪识别数据集上进行了大量实验。实验结果表明，我们的 mixEEG 在不同数据集和模型架构上均能持续增强全局模型在跨受试者 EEG 分类中的可迁移性。代码发布于：https://github.com/XuanhaoLiu/mixEEG。
引用
@article{arxiv.2504.07987,
title = {mixEEG: Enhancing EEG Federated Learning for Cross-subject EEG Classification with Tailored mixup},
author = {Xuan-Hao Liu and Bao-Liang Lu and Wei-Long Zheng},
journal= {arXiv preprint arXiv:2504.07987},
year = {2025}
}
备注
CogSci 2025 Oral