SSI-GAN：面向神经尖达分类的半监督Swin式生成对抗网络
机器学习
2026-01-05 v1 人工智能
摘要
蚊虫是滋生血管热病的主要传播体。手动分类其神经尖达模式极其费时且成本高昂。大多数可用的深度学习解决方案需要完整标记的尖达数据集以及高度预处理的神经信号。这限制了其在实际野外场景中的大规模应用。为解决标记数据稀缺的问题，我们提出一种新的生成对抗网络（GAN）架构，称为半监督Swin式GAN（SSI-GAN）。我们采用基于Swin架构的平移窗口判别器，联合基于转换器的生成器，用于分类神经尖达序列，从而检测病毒性趋向性。我们在平坦、基于窗口的转换器判别器中采用多头自注意力模型，学习捕获更稀疏的高频尖达特征。仅使用1%至3%的标记数据，SSI-GAN在超过1500万尖达样本上进行训练，样本收集于五个感染后期，并实现对Zika感染、登革热感染或未感染类别的分类。采用贝叶斯Optuna框架优化超参数，并通过五折蒙特卡洛交叉验证验证了模型的鲁棒性。SSI-GAN在感染第三天后仅使用3%标记数据即可达到99.93%的分类准确率，感染各阶段仅凭1%的监督即可保持高准确率。这表明该方法在相同性能水平下，相较于标准监督方法，实现了97%-99%的人工标记 effort 减少。提出的平移窗口转换器设计在基准测试中以显著优势获胜，并在基于尖达的感染分类中树立了新的最佳纪录。
引用
@article{arxiv.2601.00189,
title = {SSI-GAN: Semi-Supervised Swin-Inspired Generative Adversarial Networks for Neuronal Spike Classification},
author = {Danial Sharifrazi and Nouman Javed and Mojtaba Mohammadi and Seyede Sana Salehi and Roohallah Alizadehsani and Prasad N. Paradkar and U. Rajendra Acharya and Asim Bhatti},
journal= {arXiv preprint arXiv:2601.00189},
year = {2026}
}