基于卷积神经网络与混合堆叠分类器的有限脑电数据高效检测模型

《Scientific Reports》：A hybrid supervised learning model for the classification of a low-volume EEG dataset employing powerful ensembles

　　

摘要

在观察数据有限的情况下，训练基于脑电图（EEG）的检测模型以实现高测试准确率是一项具有挑战性的任务。本工作提出了一种简单的设计方案，通过线性信号变换和卷积神经网络（CNN）来扩充样本数量，并利用混合堆叠分类器（SC）来避免拟合问题。该CNN的专用层使用有限的最大池化、平均池化、dropout和卷积层，从EEG中提取有意义的特征，从而构建出复杂度较低的CNN。SC框架是一种创新方法，采用异构基集成模型按堆叠方式排列来学习数据模式，以实现高效分类。该模型利用了各种单一机器学习模型以及Bagging和Boosting集成方法的优势，来应对偏差-方差权衡问题，这一点在处理有限数据集的混合模型时尤为突出。CNN-SC模型通过基学习器学习模式，经由元集成层聚合结果，实现了0.957的准确率和0.97的灵敏度。在开发混合深度学习和机器学习算法过程中遇到的挑战得到了妥善解决，从而实现了较低的测试错误率和处理时间。该模型为面临数据采集难题、数据量较小的医疗诊断应用提供了借鉴。