CHB-MIT EEG dataset

新的DCRA框架增强了临床数据时间序列学习的鲁棒性

研究人员开发了一个名为扩散条件表示对齐（DCRA）的新训练框架，旨在提高时间序列学习的鲁棒性，特别是在脑电图（EEG）和心电图（ECG）分析等临床应用中。DCRA利用前向扩散过程创建结构化的腐蚀轨迹，从而在不同噪声水平下实现表示的可控演化。这种方法可以与状态空间模型（State Space Models）和Transformer等各种架构集成，并在嘈杂条件下在CHB-MIT EEG数据集上显示出改进的癫痫检测性能。