跳到正文
只看学习与优化#TUH EEG
9月19日周六
  1. OpenReview · EEG76

    FedGME：用于临床 EEG 分类的联邦高斯混合学习

    基于摘要分析。FedGME 面向临床 EEG 多站点联邦分类中的标签分布偏斜及部分站点缺失类别问题，以每类低秩高斯分量替代模型权重或单点原型进行交换，使客户端能够利用共享分布学习本地未出现的类别。 核心机制：客户端基于预训练 EEG 模型构建类别高斯分量，服务器并列保留各站点的分量，将每个类别表示为可采样的混合分布，旨在保留 EEG 的类内变异。摘要还介绍了以既有的保持分布离散程度的对比损失替换 FedPCL 的原型级对比损失，并按患者身份加权，以缓解原型训练中的类内表示坍缩；具体损失形式、低秩参数化及采样训练流程尚未验证。 作者报告，在来自 TUH EEG Corpus 的三个语料上，对于客户端本地未观察到的类别，FedGME 的 Balanced Accuracy 达到 0.15–0.30，原型方法接近零，FedAvg 最高为 0.10。在两个多分类任务中，相对 FedAvg 的整体 Balanced Accuracy 平均提升 15.5%，绝对增量最高为 0.060；传输载荷仅为 FedAvg 的 0.2%–1.3%，且不传输模型权重。作者报告，在相同传输载荷下，相关对比损失改动使表示的有效秩最高达到 FedPCL 的 4.2 倍。在类别均未缺失的平衡二分类任务上，FedGME 与 FedAvg 表现相当，提示其优势与标签偏斜及缺失类别情境有关，而非所有分类任务中的普遍增益。 复现需核对三个语料及任务名称、预训练模型、站点构造方式、患者级划分、缺失类别设置、通信轮次与载荷统计口径。摘要不足以确认评估属于跨被试或跨会话协议，也不能据此确认高斯分量共享具有形式化隐私保障。实验协议、消融及统计信息尚未验证；这些临床 EEG 分类结果不应直接视为 BCI 在线控制有效性的证据。

    阅读价值：值得阅读的具体原因是以可采样的类别分布替代模型权重或单点原型，直接处理临床 EEG 联邦学习中的缺失类别与类内变异，并提供了通信开销及表示坍缩的对照结果，但实际站点划分与隐私保障尚需全文核对。

5月23日周六
  1. OpenReview · EEG66

    结合空间滤波与注意力的临床 EEG 异常检测端到端扩散建模

    基于摘要分析。该研究针对临床 EEG 的信号异质性、噪声污染及被试间变异，提出 DiffSA-EEG，将可学习空间滤波、堆叠去噪自编码器（SDA）和卷积块注意力模块（CBAM）整合到端到端判别框架中。核心贡献是把去噪扩散概率模型（DDPM）直接用作分类器的辅助去噪目标，而非主要用于数据生成或增强。 机制上，该框架联合利用空间滤波、去噪表示学习与注意力模块处理 EEG，但摘要未给出扩散过程的具体作用位置、噪声调度、分类与去噪损失的组合方式，也未说明推理阶段是否需要扩散采样；这些内容需结合全文核对，不能据此判断计算成本或部署可行性。 作者在 Temple University Hospital Abnormal EEG Corpus（TUAB）与 Temple University Epilepsy Corpus（TUEP）上进行评估，并报告相较 EEGNet、Deep4Net、ChronoNet、temporal convolutional networks 和 Diff-E backbone，DiffSA-EEG 达到最佳或相近表现，其中 Accuracy 与 AUC-ROC 的收益最为一致。摘要未提供具体数值、样本规模、被试划分及被试内或跨被试协议，因此尚不能量化收益或判断泛化范围。 作者报告消融结果具有数据集依赖性：空间滤波与 SDA 的组合在 TUAB 上最有效，SDA 与 CBAM 的组合在 TUEP 上表现更优。这提示组件选择需要按任务和数据条件验证，而非默认全部模块同时使用最优。作者还报告 Grad-CAM 空间模式与既有神经生理标志物大体一致，但该结果不等同于临床有效性或因果解释的验证。 复现时需核对标签定义、预处理与通道配置、划分协议、基线训练条件、辅助目标权重，以及消融和统计信息；这些细节尚未验证。材料属于临床 EEG 分类方法研究，不能据摘要将结果扩展为 BCI 在线控制效果或临床实践建议。