基于黎曼流形的受试者选择用于无监督跨受试者癫痫检测
机器学习
2017-12-05 v1 机器学习
摘要
个体间的受试者间变异性给受试者间脑信号分析问题带来了挑战。提出了一种基于在黎曼流形上聚类协方差矩阵的受试者选择新算法。在无监督选择相关受试者子集后，将簇中的数据映射到该簇协方差矩阵均值点的切空间，并在来自相关受试者的标注数据上训练 SVM 分类器。在 EEG 癫痫数据库上的实验表明，所提方法将准确率从 SOTA 的 86.83% 提高到 89.84%，特异度从 87.38% 提高到 89.64%，同时将每小时假阳性率从 0.8/小时降低到 0.77/小时。
引用
@article{arxiv.1712.00465,
title = {Subject Selection on a Riemannian Manifold for Unsupervised Cross-subject Seizure Detection},
author = {Samaneh Nasiri Ghosheh Bolagh and Gari. D. Clifford},
journal= {arXiv preprint arXiv:1712.00465},
year = {2017}
}
备注
Cross-Subject Learning, Inter-Subject Variability, Unsupervised Subject-Selection, Riemannian Manifold, Seizure Detection, EEG, NIPS ML4H 2017