基于成对距离学习的有限观测脑信号分类方法
机器学习
2019-09-09 v2 计算机视觉与模式识别
神经与进化计算
信号处理
神经元与认知
机器学习
摘要
通过脑电图获取脑信号数据的途径日益增多，为研究电生理脑活动及进行神经疾病的移动诊断创造了新机遇。本文提出一种依赖信号频谱特性的成对距离学习方法用于精神分裂症分类。鉴于临床试验中观测数量（即病例和/或对照个体）有限，我们提出一种连体神经网络架构，从各通道观测的成对组合中学习判别性特征空间。由此，信号的多变量顺序被用作一种数据增强形式，进一步支持网络的泛化能力。我们提出在余弦对比损失下学习参数的卷积层，以充分挖掘由脑信号导出的频谱图像。在病例-对照人群上的结果表明，相较于频谱特征，所提神经网络提取的特征带来了改进的精神分裂症诊断（准确率和灵敏度提升10个百分点），从而提示存在非平凡的判别性电生理脑模式。
引用
@article{arxiv.1906.02076,
title = {On the use of Pairwise Distance Learning for Brain Signal Classification with Limited Observations},
author = {David Calhas and Enrique Romero and Rui Henriques},
journal= {arXiv preprint arXiv:1906.02076},
year = {2019}
}