Материал подготовлен автоматически по первоисточникам: ссылки на них — в конце статьи.
В замороженных представлениях EEG научились ослаблять признаки устройства, электродов и схемы референса, не стирая вместе с ними всю связанную с источником биологию. В работе MBZUAI, которая не прошла рецензирование и содержит числа, полученные самими авторами, новый метод сохранил качество целевой модели там, где LEACE его снизил. Коррекцию можно поставить после готового энкодера и применять без его переобучения и без сведений об источнике каждой новой записи.
Парные записи задают границы коррекции
Замороженный энкодер EEG кодирует не только нейронную активность. В представление попадают схема референса, конфигурация каналов, устройство, электроды и предварительная обработка. Модель нижнего уровня может использовать эти признаки как короткий путь: например, связать конкретное устройство с целевой меткой.
Просто удалить всё, по чему определяется источник, нельзя. Участники из разных центров могут различаться по возрасту, состоянию здоровья или составу выборки. Эти различия тоже позволяют определить источник, но могут быть важны для задачи.
Measurement-Gated Provenance Attenuation (MGPA) разделяет решение на две части. Сначала парные калибровочные записи показывают, какие направления в представлении действительно меняет измерительная система. Для этого один и тот же сигнал получают в разных условиях: например, пересчитывают с другой схемой референса или одновременно записывают двумя устройствами.
Разности между такими парами задают подпространство, внутри которого разрешена коррекция. Остальные координаты остаются неизменными. Поэтому признак источника сам по себе ещё не даёт методу права редактировать представление: изменение должно подтверждаться измерительным контрастом.
Внутри разрешённого подпространства MGPA не пытается сделать вероятность источника нейтральной. Метод приводит оценку источника к значению, которое уже следует из сохранённых координат. Иначе изменяемая часть представления была бы вынуждена компенсировать сведения, которые всё равно остались снаружи.
Для линейной оценки такой ориентир требует минимального среднего перемещения представления среди целей, заданных сохранёнными координатами. Авторы предлагают аналитический вариант с одним шагом и итеративный вариант: он несколько раз обучает модели, распознающие источник, и ограниченно сдвигает представление только внутри измерительного подпространства.
Удаление всех признаков источника повредило целевой задаче
В контролируемом опыте с SSVEP метод сравнили с LEACE, который стирает линейно доступную информацию об источнике без измерительного ограничения. LEACE снизил AUROC замороженной целевой модели с 0,753 до 0,656. AUROC показывает, насколько хорошо классификатор разделяет классы при разных порогах. MGPA приблизил распознавание источника к случайному уровню, сохранив качество целевой задачи.
Выбор условной цели тоже оказался существенным. Он потребовал в 2,7 раза меньше перемещения, чем коррекция к постоянной нейтральной цели. Проверки с направлениями той же размерности показали, что эффект даёт именно подпространство из парных измерений, а не любое сокращение представления.
На записях с разными устройствами и электродами итеративная версия снизила доступность признаков источника, сохранив или улучшив качество задач. Карту, выбранную на P300, затем без изменений применили к готовым моделям N170 и MMN. В худшем режиме, когда связь между устройством и меткой менялась, преимущество над LEACE составило 0,057 и 0,019 AUROC соответственно.
Метод добавляет адаптер, но не отменяет проверку коротких путей
Работа меняет планы команд, которые уже используют замороженный EEG-энкодер и не хотят переобучать его для каждого устройства. MGPA можно оформить как отдельный адаптер между энкодером и существующими головами классификации. При настройке ему нужны парные калибровочные записи и метки источника, но после настройки одна сохранённая карта работает с перемешанными данными без определения устройства для каждого входа.
Главное условие — возможность получить достоверные пары одного сигнала при разных способах измерения. Если таких пар нет, метод не может отделить аппаратный эффект от различий между группами. Виртуальная смена референса подходит для известного преобразования, но не доказывает, что найденное подпространство охватывает другие изменения оборудования и протокола.
Устойчивость к смене связи между устройством и меткой достигается не бесплатно. В опыте с переносом коррекция улучшила худший сценарий, но ухудшила качество там, где сохранилась исходная обучающая связь. Это ожидаемый результат: короткий путь помогает при совпадении условий и ломает прогноз после их изменения.
Границы проверки пока узкие: перенос между задачами изучали на одной паре устройств и восьми участниках оценки. Теоретический результат относится к линейной оценке и гауссовой модели данных, а для итеративной нелинейной коррекции такой гарантии нет.
Поэтому MGPA пока не заменяет переобучение и проверку на целевом центре. Он добавляет практический вариант для систем, где энкодер и головы уже зафиксированы: собрать парную калибровку, подобрать силу коррекции на отдельной задаче и проверить качество как при стабильной, так и при изменённой связи между устройством и меткой.
Источники
Иллюстрация: рисунок из статьи «Measurement-Gated Provenance Attenuation for Frozen EEG Representations», Anuar Aimoldin, Yankai Chen, Ayana Mussabayeva и др., CC BY 4.0
Похоже на вашу задачу?
Расскажите, что собираете. За полчаса разложим на этапы и назовём сроки — это бесплатно и ни к чему не обязывает.
