(Xiaonan Cui, Tianlei Wang, Xiaoping Lai, Tiejia Jiang, Feng Gao, Jiuwen Cao*, Cross-subject Seizure Detection By Joint-Probability-Discrepancy-Based Domain Adaptation, IEEE Transactions on Instrumentation and Measurement, 2023, published online)
基于离线脑电信号的癫痫发作识别在癫痫临床诊断中具有重要意义。传统的癫痫脑电发作识别方法通常是基于这一基本假设的，即训练集和测试集是从具有相同分布的数据集中采样的。然而在癫痫诊断的背景下，不同的受试者的脑电图是不同的，在多个受试者的数据上训练的分类器在应用于新的受试者时，其泛化性能通常会下降。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Cross-subject Seizure Detection By Joint-Probability-Discrepancy-Based Domain Adaptation”被IEEE检测与仪器领域顶级期刊IEEE Transactions on Instrumentation and Measurement录用。
域自适应是一种很有前途的方法来解决跨主体癫痫发作检测问题。本研究考虑来自多个受试者（源域）的有用信息来提高单个受试者（目标域）的分类性能，提出了一个基于脑电图癫痫发作识别的跨主题迁移学习框架。为了选择适合迁移的源域样本，使用对抗性策略来搜索更好的源域子集。此外，一种新的域自适应方法JPDDA被提出用于预测目标域的标签。具体来说，JPDDA通过同时优化结构风险函数、域间和类间的判别联合概率差异，以及边缘分布下的流形一致性来学习自适应分类器。最后，基于JPDDA的癫痫发作识别框架在CHZU数据集上进行了验证。实验结果表明，该算法具有较高的识别精度和良好的个体间迁移能力，可扩大现有癫痫患者脑电图数据在癫痫发作识别中的应用范围，因为它减少了对受试者特定数据的需要，实现跨受试者的癫痫发作识别。
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：
