Dynamic multi-prototype guided domain incremental learning for Electroencephalogram-based disease classification

Fan Yang

doi:10.1016/j.engappai.2025.113056

Dynamic multi-prototype guided domain incremental learning for Electroencephalogram-based disease classification

2025-11-10

0

PRE

AI

DOI：10.1016/j.engappai.2025.113056

原文链接

原文求助

摘要

En 中文

脑电图（EEG）在神经疾病的早期筛查、临床诊断和预后评估中发挥着关键作用。尽管基于EEG的分类算法近年来取得了显著进展，但现有模型主要针对静态离线场景设计，难以适应临床环境中数据分布随时间演变的动态特性。虽然持续学习提供了一种潜在解决方案，但EEG信号显著的个人间变异性、非平稳性和时域异质性给现有持续学习方法的模型适应性、稳定性以及新旧知识平衡带来了挑战。为解决这些问题，本文提出了一种动态多原型引导的领域增量式持续EEG序列分类方法，该方法采用可进化的多原型表示引导机制来指导模型。具体而言，我们首先设计了一种多原型表示策略，该策略为每个类别维护多个原型，并通过集成动量更新与相似性门控机制来持续优化原型表示，从而精确捕捉类内分布的动态演变。其次，我们采用特征提取器和分类器的解耦训练框架，利用原型引导机制鼓励特征提取器学习跨任务稳定的共享表示。最后，我们构建了一种最近原型对比损失函数，通过优化类内紧致性和类间可分性来增强模型对决策边界和特征结构的判别能力。在四个基准数据集上的广泛实验评估证明了所提方法的有效性和高效性。

Dynamic multi-prototype guided domain incremental learning for Electroencephalogram-based disease classification

摘要

期刊

机构

引用论文