研究人员开发了BridgeMIL，一个新颖的两阶段框架，旨在通过将实例表示学习与受试者级监督解耦来改进基于脑电图的疾病诊断。这种方法解决了当前方法中将受试者标签分配给所有实例的局限性，这可能会阻碍表示学习，尤其是在受试者数据有限的情况下。BridgeMIL的第一阶段通过对齐时间窗口和受试者内部子包来预训练编码器，第二阶段仅在受试者级别应用基于注意力的MIL监督。该框架在多个数据集和骨干网络上均表现出优越的性能，平均准确率达到76.57%，显著优于现有基线。 AI
影响 这一新框架有望带来更准确、更可靠的利用脑电图数据诊断神经系统疾病的AI驱动工具。
排序理由 该集群描述了在arXiv上的一篇学术论文中提出的新框架和方法论。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
