近日，自动化学院“人机混合智能与智慧健康研究中心”以杭州电子科技大学为第一单位在人工智能国际知名期刊IEEE Transactions on Instrumentation & Measurement（TIM）上发表了文章《Seizure Detection Framework via Multisubject Dynamic Adaptation and Structural Clustering》。本文第一作者为我校自动化学院博士毕业生崔小南，通讯作者为曹九稳教授和胡丁寒。IEEE TIM目前为SCI中科院2区Top期刊，最新影响因子为5.6，期刊主要兴趣领域是电气和电子仪器和设备的开发和使用。
现有深度域自适应方法在跨被试发作检测任务上的应用普遍遵循单源域自适应的算法设计，重点关注源域和目标域间的分布差异。在实践中，用于分类器学习的源域通常由多个患者的数据组成，单源域自适应算法的应用意味着源域中多被试的显著差异被忽略。多源自适应技术的发展为减少源域内的差异提供了新的解决方案。一种常见的方法是通过对抗学习来消除源域内的分布差异，当模型无法识别出数据来源时，则认为源被试的特异性被消除。尽管对抗学习取得了令人兴奋的结果，但仍有改进的空间。首先，来自源域中多被试的数据通常有很大差异，网络损失引入的力迫使它们聚集在一起，这通常会导致优化困难，同时影响通用癫痫发作模式的学习。且源域和目标域的完全对齐往往会导致网络过拟合，从而产生次优的结果。此外，在消除源域和目标域分布差异时，全局和局部特征对齐常被采用，然而对齐不同域的特征可能会破坏目标域的内部结构。为保留目标域内在结构信息，探索目标数据潜在的判别特征，结构正则化深度聚类的无监督域自适应方法提供了很好的启发。因此，针对癫痫检测中源域被试间变异性问题，本文提出了一种基于多源域动态自适应的跨被试迁移算法。该算法在网络设计中嵌入由静态卷积和动态卷积联合组成的动态注意力迁移模块，来模糊源域多被试数据间的分布边界。在网络优化过程中，判别特征对齐联合结构化聚类被用于模型训练，该方法自然地将判别特征的挖掘和领域之间的分布对齐统一起来，进一步引入基于生成模型的结构正则化聚类，以揭示目标数据的内在结构信息。实验结果表明，基于多源域动态自适应的检测算法能够准确捕捉到局部发作信息，且性能优于相关的深度域自适应和跨被试发作检测算法。
图：网络框架图
人机混合智能与智慧健康研究中心隶属于杭州电子科技大学自动化学院，依托于浙江省机器学习与智慧健康国际合作基地，主要研究方向包括：机器学习、深度学习、医学信号处理、场景文字识别、自然语言处理等。研究中心现有在职教师11名，其中包含6位教授、2位副教授、3位讲师，硕博生60余名。负责人曹九稳教授是浙江省机器学习与智慧健康国际合作基地中心主任。研究中心有多位国家级和省级人才，与法国巴黎大学、新加坡南洋理工大学、加拿大温莎大学、澳门大学、复旦华山医院、浙江省儿保医院等长期保持科研合作；研究中心学生多次赴法国、加拿大等交流学习，毕业生多就职于华为、字节跳动、海康威视等国内知名企业。