面向主观性耳鸣跨数据集听者诊断的侧别感知元学习
信号处理
2022-05-09 v1 机器学习
摘要
随着数字技术的发展,机器学习为下一代耳鸣诊断铺平了道路。尽管机器学习已广泛应用于基于EEG的耳鸣分析,当前多数模型为数据集特定型。每个数据集可能局限于特定症状范围、总体疾病严重程度及人口统计学属性;此外数据集格式可能不同,影响模型性能。本文提出一种侧别感知元学习用于跨数据集耳鸣诊断,可有效对来自不同数据采集过程、年龄与性别各异的受试者进行耳鸣分类。得益于元学习的优越性,我们的方法不像传统深度学习模型那样依赖大规模数据集。此外,我们设计了受试者特定训练过程以辅助模型拟合不同患者或健康人的数据模式。我们的方法在跨数据集分类中达到73.8%的高准确率。我们进行了广泛分析以展示耳侧信息在增强模型性能及侧别感知元学习在提升所学特征质量方面的有效性。
引用
@article{arxiv.2205.03231,
title = {Side-aware Meta-Learning for Cross-Dataset Listener Diagnosis with Subjective Tinnitus},
author = {Yun Li and Zhe Liu and Lina Yao and Molly Lucas and Jessica J. M. Monaghan and Yu Zhang},
journal= {arXiv preprint arXiv:2205.03231},
year = {2022}
}