【迁移学习】深度域自适应网络DANN在EEG睡眠质量检测上的应用
应用DANN进行睡眠质量检测
论文:Sleep Quality Estimation with Adversarial Domain Adaptation:From Laboratory to Real Scenario
目的:应用域对抗神经网络(DANN)分类实际生活场景中的睡眠脑电信号。
模型:使用实验室安静控制环境下采集的脑电信号训练DANN模型,通过域自适应方法将知识迁移到真实环境中。
实验结果:DANN在跨样本和跨场景任务中均能取到较高的正确率。
方法
- 数据预处理
选择电极通道,重参考
- 数据分频段
δ(1−4Hz),θ(4−8Hz),α(8−13Hz),β(13−30Hz),γ(30−50Hz)\delta(1-4Hz),\theta(4-8Hz),\alpha(8-13Hz),\beta(13-30Hz),\gamma(30-50Hz)δ(1−4Hz),θ(4−8Hz),α(8−13Hz),β(13−30Hz),γ(30−50Hz)
- 特征提取
从18个通道,5个频段上提取Differential entropy(DE)特征,故特征向量长度为90。利用线性动态系统去除特征向量中的噪声(Emotional state classification from EEG data using machine learning approach,2014)。
- 域适应模型
本文中一共使用了8种模型用于比较,包括
- 迁移成分分析(TCA)
- 信息理论学习(ITL)
- 测地线流核(GFK)
- 联合分布适配(JDA)
- 子空间对齐(SA)
- 迁移联合比较(TJM)
- 最大独立域适应(MIDA)
以及第8种,DANN,该模型的详细内容见论文(Unsupervised Domain Adaptation by Backpropagation,2015)及模型详解博客。
数据采集
实验室数据
来自学生,10人
分为三类,睡眠4,6,8个小时,分别对应好,一般,不好的睡眠质量。
采集脑电持续30分钟。
真实场景数据
来自高铁司机,70人
不提前控制睡眠要求,尽可能模拟其日常生活状态。实验开始前通过问卷形式统计其前一天晚上的睡眠情况。
使用干电集设备
数据处理
预处理,特征提取,时间窗为1秒。
实验室数据来自于10人,每人3个实验,每个实验30分钟,共有10∗3∗30∗60=58172(?)10* 3 * 30 * 60=58172(?)10∗3∗30∗60=58172(?)个样本。
真实数据为70个人,请个实验,每个实验3分钟数据,共有70∗3∗60=1260070 * 3 * 60=1260070∗3∗60=12600个样本
实验任务
跨样本(Cross-Subject)
使用真实数据训练和测试模型(跨样本)
使用5折交叉验证
每次视其中的一个fold为目标域,其余4个一起作为源域
跨场景(Cross-Scenario)
使用实验室数据训练模型,使用真实数据测试模型(跨场景)
真实数据作为目标域,实验室数据作为源域
模型训练
使用含标签的源域数据和无标签的目标域数据训练DANN,在评价阶段使用目标域标签。
GRL的tradeoff参数λ\lambdaλ设置为0.01。
实验结果
【迁移学习】深度域自适应网络DANN在EEG睡眠质量检测上的应用相关推荐
- 【迁移学习】深度域自适应网络DANN模型
DANN Domain-Adversarial Training of Neural Networks in Tensorflow 域适配:目标域与源域的数据分布不同但任务相同下的迁移学习. 模型建立 ...
- 【深度域自适应】DANN梯度反转层(GRL)理解
加入GRL的目的是为了让领域判别器和特征提取器之间形成一种对抗.先不管标签分类器,领域判别器就是GAN里的判别器,目的就是区分出real(目标域)与fake(源域),所以领域判别器的目的同样也是最小化 ...
- 迁移学习之域自适应理论简介(Domain Adaptation Theory)
©作者 | 江俊广 单位 | 清华大学 研究方向 | 迁移学习 本文主要介绍域自适应(Domain Adaptation)最基本的学习理论,全文不涉及理论的证明,主要是对部分理论的发展脉络的梳理,以及 ...
- 【深度域自适应】一、DANN与梯度反转层(GRL)详解
前言 在当前人工智能的如火如荼在各行各业得到广泛应用,尤其是人工智能也因此从各个方面影响当前人们的衣食住行等日常生活.这背后的原因都是因为如CNN.RNN.LSTM和GAN等各种深度神经网络的强大性能 ...
- 【深度域自适应】二、利用DANN实现MNIST和MNIST-M数据集迁移训练
前言 在前一篇文章[深度域自适应]一.DANN与梯度反转层(GRL)详解中,我们主要讲解了DANN的网络架构与梯度反转层(GRL)的基本原理,接下来这篇文章中我们将主要复现DANN论文Unsuperv ...
- 影像组学学员成果分享:BraTS2017数据集的迁移学习+深度学习提取特征+机器学习
感谢[呼呼]同学分享的"BraTS2017数据集的迁移学习+深度学习提取特征+机器学习" 迁移学习 一.迁移学习(把之前对Medicalnet的迁移学习内容跑了一遍,用的BraTS ...
- 迁移学习:领域自适应的理论分析
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达 领域自适应即Domain Adaptation,是迁移学习中很重要 ...
- 用于部分迁移学习的加权对抗网络 | CVPR 2018论文解读
在碎片化阅读充斥眼球的时代,越来越少的人会去关注每篇论文背后的探索和思考. 在这个栏目里,你会快速 get 每篇精选论文的亮点和痛点,时刻紧跟 AI 前沿成果. 点击本文底部的「阅读原文」即刻加入社区 ...
- 竞赛获奖系统解读:远场说话人确认中基于两阶段迁移学习解决域不匹配问题
作为Interspeech2022的赛事活动,远场说话人验证挑战赛 (FFSVC) 由昆山杜克大学.新加坡国立大学.南加州大学和希尔贝壳联合组织,主要关注极具挑战性的远场说话人确认任务.2020年举办 ...
最新文章
- 浙大团队研发铜基沸石纱布口罩,1分钟杀灭新冠病毒逾99%
- jQuery源码分析系列 : 整体架构
- Mysql查漏补缺笔记
- Java设计模式之(工厂模式)--简单工厂模式--工厂方法模式--抽象工厂模式
- 使用Wireshark进行SIP包解析
- 思维导图学Java编程思想
- 回填用土好还是砂石料好_养猪用颗粒料好还是自配料好?其实各有优劣,养猪人要会选择...
- PHPInfo()信息泄漏——综合利用提权
- centos查询是否有安装软件包
- python之MRO和垃圾回收机制
- maven 项目在 tomcat 中启动报错:Caused by: java.util.zip.ZipException: invalid LOC header (bad signature)...
- renpy 如何执行2个action_可执行的网络推广方案如何策划 8个维度 学会了策划方案不求人...
- java富文本_Java开发之富文本编辑器TinyMCE
- POS机全国产化电子元件推荐方案
- ADS8332芯片驱动程序
- 安装docker多系统操作示列(window为例)
- 我爱淘冲刺阶段站立会议2每天任务2
- 2022 CCF中国软件大会(CCF Chinasoft)“CCF-华为胡杨林基金-系统软件专项”论坛成功召开...
- C++一本通题库1012
- 移动硬盘(USB3.0)2TB在自己电脑上突然识别不了。。
热门文章
- anacoda里面安装包显示失败_Premiere2020安装包下载及安装教程(附pr2020配置要求)...
- 【Altium Designer】使用CAD绘制PCB版型并将dwg文件导入AD(异形板设计)
- python爬取《春风十里不如你》分析
- 【大数据分析软件应用在足球预测实例】足球滚球走地大小球分析方法和技巧
- c++重载运算符实现分数加减乘除
- 联想服务器系统蓝屏,联想电脑蓝屏并提示“STOP:0X0000007B的原因分析和解决方法...
- 神经网络 - BP神经网络与RBF神经网络模型解决实际问题 - (Matlab建模)
- 最大岛屿 计蒜客--T1405
- Word生成图表(柱状图、线形图等,并附带表格展示数值)
- python使用pandas拆分excel表并导出(2)