EEG-MACS: Manifold Attention and Confidence Stratification for EEG-based Cross-Center Brain Disease Diagnosis under Unreliable Annotations

要約

センター間のデータの不均一性と注釈の信頼性の低さは、脳信号を使用した疾患のインテリジェントな診断に大きな課題をもたらします。
注目に値する例は、脳波に基づく神経変性疾患の診断であり、通常は小グループの環境で観察される、より微妙な異常な神経動態を特徴としています。
この分野を前進させるために、この研究では、信頼性の低い注釈が付いた 4 つのセンターからの EEG 信号に基づいて神経変性疾患を診断するために、多様な注意と信頼層化 (MACS) を採用した移植可能なフレームワークを導入します。
MACS フレームワークの有効性は、次の機能から生まれます。 1) オーグメンターは、EEG で表現されたさまざまな脳のバリアントを生成して、データ空間を強化します。
2) スイッチャーは、信頼できるサンプルの特徴空間を拡張し、誤ってラベル付けされたサンプルの過剰適合を軽減します。
3) エンコーダーは、リーマン多様体とユークリッド計量を使用して、EEG の時空間変動と動的同期をキャプチャします。
4) デュアルヘッドを備えたプロジェクターは、複数の脳のバリアント間の一貫性を監視し、診断の正確さを保証します。
5) Stratifier は、トレーニング プロセス全体を通じて、学習されたサンプルを信頼レベルによって適応的に階層化します。
6) MACS における順伝播と逆伝播は、信頼性の低い注釈の中で学習システムを安定させるため、信頼階層化によって制約されます。
神経認知障害と運動障害の両方に対して、中心間コーパスを使用して実施された被験者に依存しない実験は、既存の関連アルゴリズムと比較して優れたパフォーマンスを実証しました。
この研究は、クロスセンターおよび小規模脳疾患に対するEEGベースの診断を改善するだけでなく、MACS技術を他のデータ分析に拡張し、マルチメディアおよびマルチモーダルコンテンツ理解におけるデータの異質性と注釈の信頼性の低さに取り組むことについての洞察も提供します。

要約(オリジナル)

Cross-center data heterogeneity and annotation unreliability significantly challenge the intelligent diagnosis of diseases using brain signals. A notable example is the EEG-based diagnosis of neurodegenerative diseases, which features subtler abnormal neural dynamics typically observed in small-group settings. To advance this area, in this work, we introduce a transferable framework employing Manifold Attention and Confidence Stratification (MACS) to diagnose neurodegenerative disorders based on EEG signals sourced from four centers with unreliable annotations. The MACS framework’s effectiveness stems from these features: 1) The Augmentor generates various EEG-represented brain variants to enrich the data space; 2) The Switcher enhances the feature space for trusted samples and reduces overfitting on incorrectly labeled samples; 3) The Encoder uses the Riemannian manifold and Euclidean metrics to capture spatiotemporal variations and dynamic synchronization in EEG; 4) The Projector, equipped with dual heads, monitors consistency across multiple brain variants and ensures diagnostic accuracy; 5) The Stratifier adaptively stratifies learned samples by confidence levels throughout the training process; 6) Forward and backpropagation in MACS are constrained by confidence stratification to stabilize the learning system amid unreliable annotations. Our subject-independent experiments, conducted on both neurocognitive and movement disorders using cross-center corpora, have demonstrated superior performance compared to existing related algorithms. This work not only improves EEG-based diagnostics for cross-center and small-setting brain diseases but also offers insights into extending MACS techniques to other data analyses, tackling data heterogeneity and annotation unreliability in multimedia and multimodal content understanding.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google