变分自编码器学习更优特征表示用于基于 EEG 的肥胖分类
机器学习
2023-02-03 v1 人工智能
神经与进化计算
摘要
肥胖是当今现代社会中一个普遍存在的问题，可导致多种疾病并显著降低生活质量。目前，已有研究致力于探究静息态 EEG（脑电图）信号，旨在识别与肥胖可能相关的神经特征。在本研究中，我们提出了一种基于深度学习的框架，用于提取静息态 EEG 特征以对肥胖与瘦削受试者进行分类。具体而言，采用一种新颖的变分自编码器框架从原始 EEG 信号中提取受试者不变特征，随后由一维卷积神经网络进行分类。与传统的机器学习和深度学习方法相比，我们证明了使用 VAE 进行特征提取的优越性，这体现在分类准确率显著提升、可视化效果更佳以及特征表示中的不纯度度量降低。未来的工作可致力于从神经学角度深入理解所提模型学习到的空间模式，并通过使其揭示任何与时间相关的信息来提升所提模型的可解释性。
引用
@article{arxiv.2302.00789,
title = {Variational Autoencoder Learns Better Feature Representations for EEG-based Obesity Classification},
author = {Yuan Yue and Jeremiah D. Deng and Dirk De Ridder and Patrick Manning and Divya Adhia},
journal= {arXiv preprint arXiv:2302.00789},
year = {2023}
}
备注
8 pages, 6 figures