《Multi-View Spatial-Temporal Graph Convolutional Networks with Domain Generalization for ~~》论文精读

最新推荐文章于 2024-10-06 21:45:11 发布

天使Di María

最新推荐文章于 2024-10-06 21:45:11 发布

阅读量262

点赞数 1

分类专栏： GNN & 深度学习（PyTorch）文章标签：人工智能

本文链接：https://blog.csdn.net/m0_51339444/article/details/134487841

版权

GNN & 深度学习（PyTorch）专栏收录该内容

12 篇文章 18 订阅 ¥19.90 ¥99.00

订阅专栏

超级会员免费看

本文深入解读了《Multi-View Spatial-Temporal Graph Convolutional Networks with Domain Generalization for Sleep Stage Classification》论文，探讨了如何使用图神经网络解决睡眠阶段分类问题。通过功能性连接性和距离性连接性构建脑电图网络，并结合空间注意力和时间注意力提取特征。实验中利用ISRUC-S3和MASS-SS3数据集，设计的损失函数旨在提高模型的泛化能力。

摘要由CSDN通过智能技术生成

一、概述

《Multi-View Spatial-Temporal Graph Convolutional Networks with Domain Generalization for Sleep Stage Classification》于2021年发表于IEEE Transactions on Neural Systems and Rehabilitation Engineering（TNSRE）期刊。解决任务：睡眠情况分类；领域：BCI、GNN

二、方法&创新点

在脑机接口任务中，迁移学习应用非常广泛，研究模型如何从源域迁移到目标域具有重要的意义。在同构迁移学习中，task为被试之间的迁移，因此可以认为每个被试为一个domain。人脑中的脑电信号之间是可以相互影响的，作者认为：（1）脑电信号（特征）相似的位置（即脑电帽的电极，或者通道）之间存在联系；（2）脑皮中物理位置相近的区域之间存在联系。基于以上两点Motivation，论文中采用的两种方式来初始化Graph，分别为：Functional Connectivity和Distance-based Connectivity。下图为两种graph的构建示意图: