PSDNorm: Test-Time Temporal Normalization for Deep Learning on EEG Signals

要約

分布シフトは、機械学習、特にさまざまな被験者、機関、記録装置にわたって収集されたEEG信号などの生物医学的アプリケーションにおいて大きな課題をもたらします。
既存の正規化層、バッチノーム、レイヤールム、およびInstancenormは、分布のシフトに対処するのに役立ちますが、時間信号に固有の時間的依存関係をキャプチャできません。
このホワイトペーパーでは、PSDNORMを提案します。PSDNORMは、Mongeマッピングと時間的コンテキストを活用して、ディープラーニングモデルの機能マップを正規化するレイヤーを提案します。
特に、提案された方法は、テスト時間ドメイン適応手法として動作し、追加のトレーニングなしで分布シフトに対処します。
U-Timeモデルを使用した10の睡眠ステージングデータセットの評価は、PSDNORMがトレーニング中に見られないデータセットでテスト時に最先端のパフォーマンスを達成し、最高のベースラインよりも4倍のデータ効率であることを示しています。
さらに、PSDNORMは堅牢性を大幅に改善し、20％の最も硬い被験者のF1スコアが著しく高いことを達成します。

要約(オリジナル)

Distribution shift poses a significant challenge in machine learning, particularly in biomedical applications such as EEG signals collected across different subjects, institutions, and recording devices. While existing normalization layers, Batch-Norm, LayerNorm and InstanceNorm, help address distribution shifts, they fail to capture the temporal dependencies inherent in temporal signals. In this paper, we propose PSDNorm, a layer that leverages Monge mapping and temporal context to normalize feature maps in deep learning models. Notably, the proposed method operates as a test-time domain adaptation technique, addressing distribution shifts without additional training. Evaluations on 10 sleep staging datasets using the U-Time model demonstrate that PSDNorm achieves state-of-the-art performance at test time on datasets not seen during training while being 4x more data-efficient than the best baseline. Additionally, PSDNorm provides a significant improvement in robustness, achieving markedly higher F1 scores for the 20% hardest subjects.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google