(Xiaonan Cui, Jiuwen Cao*, Xiaoping Lai, Tiejia Jiang, Feng Gao, Cluster Embedding Joint-Probability-Discrepancy Transfer For Cross-subject Seizure Detection, IEEE Transactions on Neural Systems & Rehabilitation Engineering, 2022, published online)
基于EEG的癫痫发作检测方法大多集中在患者依赖的场景，患者依赖是通过患者自身的历史记录来检测癫痫发作的。在这种场景下的癫痫发作检测方法具有较高的准确率，其原因可以归结于一个基本假设，训练和测试数据服从相同数据特征的分布。面对不同患者的数据分布更加多样化，患者依赖的发作检测方法对于无病史记录的新个体而言变得不足。由此，与浙江大学医学院附属儿童医院合作，我院人机混合智能与智慧健康研究中心在跨主体癫痫发作检测方向的研究论文“Cluster Embedding Joint-Probability-Discrepancy Transfer For Cross-subject Seizure Detection”被IEEE神经系统与康复工程领域的顶级期刊IEEE Transactions on Neural Systems & Rehabilitation Engineering录用。
迁移学习利用相关域的标注数据或知识结构来帮助解决目标域的问题。近年来它被应用于癫痫发作检测中，处理不同主体或任务之间的差异。本研究考虑不依赖患者病史记录、独立于患者的跨主体癫痫发作检测，即通过迁移学习从他人那里获取知识，以提高新癫痫患者的发作检测性能，提出了一种新颖的域自适应方法聚类嵌入联合概率差异迁移算法，深度研究数据的分布结构。聚类嵌入联合概率差异迁移算法通过一个投影获得各自领域的新表示以及目标域的标签：1）在投影空间中，通过源域的类质心实现目标域的聚类；2）联合源域和目标域同类分布匹配和
同类判别；3）引入局部流形提升聚类质心的质量。另外设计了一个源域可迁移性的评估指标，用于选择出最有利的源域个体，减少计算成本同时避免一些负迁移。并在浙江大学医学院附属儿童医院的数据集上验证了由可迁移性评估指标和聚类嵌入联合概率差异迁移算法组成的跨学科癫痫发作检测模型。
论文第一作者为2021级博士研究生崔小南，通讯作者为指导教师曹九稳教授，研究获得了国家自然科学基金重点、科技部重点研发和浙江省重点研发等项目的资助。
算法核心框架图：
聚类前后的分类边界可视化：
