.png){kind=icon}
返回
CONSISTENCY-REGULARIZED MULTI-VIEW TRANSFER LEARNING FOR EPILEPTIC EEG RECOGNITION
.png){kind=icon}
PRE
AI
DOI：10.1142/S0219519425400949.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
癫痫是一种以短暂性脑功能障碍为特征的神经性障碍，该功能障碍源于异常皮层神经元放电，可能引发突然的肌肉收缩、意识丧失和惊厥。作为最常见的脑部疾病之一，它影响着全球相当一部分人口。脑电图（EEG）是最广泛使用和深入研究的非侵入式监测脑电活动的手段，为癫痫检测的临床和计算方法提供了基础。本研究提出了一种一致性正则化多视角迁移学习（CR-MVTL）算法，用于癫痫EEG分析和AI辅助检测。与现有方法相比，CR-MVTL具有以下优势：（i）强大的跨视角互补性，促进信息共享并提高识别性能；（ii）高泛化能力，能够在目标域数据稀缺时实现快速参数自适应；（iii）动态视角加权，能够抑制弱视角并增强信息丰富的视角。我们在12种模拟的多视角迁移场景下评估了CR-MVTL。大量实验结果表明，在两视角和三视角设置下，CR-MVTL的平均准确率相较于竞争基线分别绝对提升了7.25和6.41个百分点。
Keyword:
Multi-view learning
transfer learning
epilepsy
electroencephalography (EEG) signals
graph regularization
cross-view consistency
期刊
J
IF:
0.6
论文数:
162
被引数:
1.2K
机构
引用论文
.png){kind=icon}
分享收藏分享收藏Automatic EEG Artifact Removal: A Weighted Support Vector Machine Approach With Error Correction
PREAI
分享收藏
查看更多内容