arXiv cs.AI· Seongwon Jin, Hanseul Choi, Sunggu Yang, Sungho Park, Jibum Kim·· 12 小时前AI 评分18
用于刺激前后帕金森状态分类的交换对抗域泛化框架
A swap-adversarial framework for domain generalization in pre- and post-stimulation Parkinsonian state classification
AI 导读
研究者提出交换对抗框架，缓解 ECoG 数据的高受试者间差异与高维小样本问题，实现跨 ECoG 和 EEG 脑机接口数据集的域泛化。框架包含受试者间平衡通道交换（ISBCS）跨受试者增强与域对抗学习（DAL）抑制个体偏差，并构建首个基于 6-羟基多巴胺诱导大鼠模型长期 ECoG 记录的可复现基准数据集。跨受试者、跨会话与跨数据集实验显示其泛化性能最优。
正文 · AI 翻译
摘要：我们提出了一种新颖的交换对抗框架，用于缓解皮层脑电图（ECoG）数据中受试者间高变异性和高维小样本问题。该框架在基于 ECoG 和脑电图（EEG）的脑机接口数据集上实现了稳健的域泛化。我们的框架集成了（1）稳健的预处理，（2）用于跨受试者增强的受试者间平衡通道交换（ISBCS），以及（3）域对抗学习（DAL）以抑制受试者特定偏差。ISBCS 方法是一种受生物启发的通道交换策略，在脑图谱引导下仅交换受试者间功能对应的通道，以缓解受试者间分布差异。DAL 策略促使模型学习与任务相关的共享特征。此外，我们引入了一个新的 ECoG 数据集，这是首个可复现的基准，它由 6-羟基多巴胺诱导的大鼠模型的长期 ECoG 记录构建而成，并标注了电刺激前后的神经反应。我们通过跨受试者、跨会话和跨数据集设置下的大量实验验证了该框架的有效性。结果表明，所提出的框架在我们新构建的 ECoG 数据集和公开 EEG 数据集上均表现出最佳且稳健的泛化性能。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2602.10528 [cs.LG] |
| （或本版本的 arXiv:2602.10528v3 [cs.LG]） | |
| https://doi.org/10.48550/arXiv.2602.10528 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Jibum Kim [查看邮箱]
[v1]
2026年2月11日星期三 04:52:46 UTC（5,918 KB）
[v2]
2026年6月30日星期二 01:30:13 UTC（4,317 KB）
[v3]
2026年10月27日星期二 04:24:20 UTC（4,602 KB）
来源：arXiv cs.AI · arxiv.org