ProlateNet:面向生理信号的卷积网络采样率迁移及仅凭权重的认证
ProlateNet: Sampling-rate transfer of convolutional networks with a weights-only certificate for physiological signals
预印本 · 尚未经过同行评审
ProlateNet 用长球波函数构建卷积核抑制混叠,仅凭权重即可认证模型跨采样率迁移,SEED 上最差宏 F1 降幅不超过 0.003。
生理信号分析的一个核心目标是训练一次模型,并将其部署到多种记录系统上。然而,这些系统以不同的采样率采集 EEG 和 ECG,而在某一采样率下训练的网络在其他采样率下会损失精度。连续核网络正是为解决这一问题而构建的,但已发表的此类网络在未见过的采样率下仍然失效,且现有方法都无法在部署前对训练好的模型进行认证。在本研究中,我们提出 ProlateNet,它利用长椭球波函数构建核,以抑制跨采样率的混叠,并仅凭权重即可对训练好的模型进行认证。在三个公开 EEG 和 ECG 数据集上以单一采样率训练的十四种第一层设计中,已发表的连续核层 FlexConv 和采样频率无关(SFI)卷积在 SEED 上表现出平均最差下降 0.18 和 0.35 的 macro-F1。ProlateNet 是唯一在全部三个数据集上稳定且准确、且误差界在训练前即已固定的设计,其平均最差下降至多为 0.003。在没有目标采样率记录的情况下,其认证依据实测迁移对 SEED 上的连续核设计进行排序,Spearman {rho} = 0.92,而高于训练 Nyquist 频率的能量为 0.68。总体而言,ProlateNet 表明,控制混叠可使卷积网络跨采样率迁移,并为构建训练一次即可跨记录系统部署的生理信号模型提供了有原则的指导。
中文由 AI 翻译,仅供参考,以原文为准。
来源:bioRxiv · Bioengineering · biorxiv.org