EEG-MACS: Manifold Attention and Confidence Stratification for EEG-based Cross-Center Brain Disease Diagnosis under Unreliable Annotations

跨中心数据异质性和注释不可靠显著挑战了使用脑信号进行智能疾病诊断。一个显著的例子是基于脑电图的神经退行性疾病诊断，它具有通常在小组设置中观察到的更微妙的异常神经动态。为了推进这一领域，本文介绍了一种可转移的框架，采用流形注意力和置信度分层（MACS）来诊断基于来自四个中心的脑电信号的神经退行性疾病，这些信号具有不可靠的注释。MACS框架的有效性源于以下特点：1）增强器生成各种脑电表征的脑变体以丰富数据空间；2）开关器增强可信样本的特征空间，并减少错误标记样本的过拟合；3）编码器使用Riemann流形和欧几里得度量来捕捉脑电图中的时空变化和动态同步；4）投影器配备双头，监测多个脑变体之间的一致性，并确保诊断准确性；5）分层器通过置信度水平自适应地对学习样本进行分层，贯穿整个训练过程；6）MACS中的前向和反向传播受置信度分层的限制，以在注释不可靠的情况下稳定学习系统。我们在跨中心语料库上进行了主体独立的实验，涉及神经认知和运动障碍，与现有相关算法相比，表现出卓越的性能。本文不仅改进了基于脑电图的跨中心和小组设置脑疾病诊断，还为将MACS技术扩展到其他数据分析提供了洞见，解决了多媒体和多模态内容理解中的数据异质性和注释不可靠性问题。

本论文旨在解决跨中心数据异质性和注释不可靠性对利用脑电信号进行智能疾病诊断的挑战，尤其是神经退行性疾病的诊断问题。

本论文提出了一种可转移的框架，采用流形注意力和置信度分层（MACS）来诊断基于脑电信号的神经退行性疾病，该框架有效性源于其多个特点，包括数据空间丰富、特征空间增强、编码器使用黎曼流形和欧几里得度量、投影仪用于监视一致性、分层器自适应分层、前向和反向传播受置信度分层的限制。

本论文在跨中心和小样本设置下的神经认知和运动障碍的实验中，表现出比现有相关算法更优异的性能。此外，该论文的方法也可以扩展到其他数据分析领域，解决多媒体和多模态内容理解中的数据异质性和注释不可靠性问题。

与本论文相关的研究包括使用脑电信号进行神经退行性疾病诊断的其他方法，如基于深度学习的方法和基于时频分析的方法。