-
题名面向多中心数据的超图卷积神经网络及应用
被引量：5
- 1
-
-
作者
周海榆
张道强
-
机构
南京航空航天大学计算机科学与技术学院
南京航空航天大学模式分析与机器智能工信部重点实验室
-
出处
《计算机科学》
CSCD
北大核心
2022年第3期129-133,共5页
-
基金
国家自然科学基金(61876082,61861130366,61732006)。
-
文摘
近年来,图神经网络在神经性脑疾病诊断中的应用引起了广泛关注。然而,现有研究中使用的图通常只是基于简单的点对点连接,无法反映3个或更多受试者之间的复杂关联,尤其是在多中心数据集中,即由不同医疗机构所使用的不同采集设备和不同受试人群而集成的具有异质性的数据集。为解决医疗影像数据中存在的多中心异质性问题,提出了一种多中心超图数据结构来描述多中心数据之间的关系。这种超图由两种不同的超边构成,一种是描述单个中心内部关系的中心内超边,另一种是描述不同中心之间关系的跨中心超边。另外,还提出了一种超图卷积神经网络来学习节点的特征表示,这种超图卷积由两部分构成,第一部分是超图节点卷积,第二部分是超边卷积。在两个多中心数据集上的实验结果证明了所提方法的有效性。
-
关键词
多中心数据
数据异质性
脑疾病诊断
图卷积网络
超图卷积网络
-
Keywords
Multi-site dataset
Data heterogeneity
Brain diseases diagnosis
Graph convolutional networks
Hyper-graph convolutional networks
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
-
-
题名改进的二视图随机森林
被引量：1
- 2
-
-
作者
夏笑秋
陈松灿
-
机构
南京航空航天大学计算机科学与技术学院
南京航空航天大学模式分析与机器智能工信部重点实验室
-
出处
《计算机科学与探索》
CSCD
北大核心
2022年第1期144-152,共9页
-
基金
国家自然科学基金(61672281,61732006)。
-
文摘
随机森林(RF)是最经典的机器学习算法之一,并已获得广泛应用。然而观察发现,尽管现实中存在众多的二视图数据并已获得广泛的分析研究,但针对二视图场景的RF构建相当少,仅有的利用RF解决二视图学习问题的方法也都是先为各个视图生成各自的RF,在决策时才融合了视图间的信息。这样的方法存在一个显著不足是在其RF的构建阶段未利用两个视图间的相关性,这无疑浪费了信息资源。为了弥补这一不足,提出了一种改进的二视图随机森林(ITVRF)。具体而言,在决策树的生成过程中采用典型相关分析(CCA)进行视图融合,将视图间的信息交互融入到了决策树的构建阶段,实现了视图间互补信息在整个RF生成过程中的利用。此外,ITVRF还通过判别分析为决策树生成判别决策边界,更适合于分类。实验结果表明ITVRF比现有的二视图RF(TVRF)有着更优的准确率。
-
关键词
决策树
随机森林(RF)
二视图学习
典型相关分析(CCA)
-
Keywords
decision tree
random forest(RF)
two-view learning
canonical correlation analysis(CCA)
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于卷积神经网络和领域泛化的跨操作员认知负荷识别
- 3
-
-
作者
周月莹
公沛良
王澎湃
温旭云
张道强
-
机构
南京航空航天大学计算机科学与技术学院
南京航空航天大学模式分析与机器智能工信部重点实验室
南京航空航天大学脑机智能技术教育部重点实验室
-
出处
《电子与信息学报》
EI
CSCD
北大核心
2023年第8期2796-2805,共10页
-
基金
国家自然科学基金(62136004,61876082,61732006)
国家重点研发计划(2018YFC2001600,2018YFC2001602)
中央高校基本科研业务费专项资金(NP2022451)。
-
文摘
基于脑电信号(EEG)的操作员认知负荷识别(CWR)在人机交互系统和被动式脑机接口中有重要价值,然而EEG的非稳态性和被试差异性极大阻碍了跨操作员CWR这一现实场景的快速应用。该文针对跨操作员CWR精度低等问题,提出一种基于卷积神经网络(CNN)和领域泛化(DG)的联合共享特征优化方法(CNN_DG)。该方法通过使用已有操作员(源域)的数据提高未知操作员(目标域)的CWR性能,其主要包括3个模块:深度特征提取器、标签分类器和领域泛化器。深度特征提取器学习可迁移的源域之间的共享知识表征;标签分类器进一步学习深层表征并预测负荷级别;领域泛化器通过与特征提取器进行对抗训练来减少源域间的数据分布差异,从而保证学习特征的共享性。该文在多属性任务组(MATB II)模拟飞行任务竞赛数据集1和2上进行两个三分类的跨操作员CWR实验,并采用留一被试交叉验证策略验证模型识别性能。实验结果表明所提CNN_DG方法显著优于比较方法,验证了其在跨操作员CWR领域的有效性和泛化性。
-
关键词
人机交互
认知负荷
跨操作员
卷积神经网络
领域泛化
-
Keywords
Human-robot interaction
Cognitive workload
Cross-operator
Convolutional Neural Network(CNN)
Domain Generalization(DG)
-
分类号
TN911.7
[电子电信—通信与信息系统]
TP391
[自动化与计算机技术—计算机应用技术]
-
