Обнаружение депрессии по ЭЭГ: новый метод SGC без аугментации данных
Группа исследователей представила новый подход к обнаружению большой депрессии по электроэнцефалограмме (ЭЭГ) — Score-Guided Classification (SGC). Метод решает проблему малых выборок, которая ограничивает точность моделей машинного обучения. В отличие от популярных методов аугментации данных, SGC не синтезирует псевдосэмплы, а использует генеративную нейросеть для вычисления степени аномальности каждого образца.
Традиционное увеличение данных (например, добавление шума или смешивание сигналов) требует больших вычислительных ресурсов и может внести синтетический шум, размывающий границы между классами. Авторы работы назвали это «дилеммой малой выборки» и предложили отказаться от привычного принципа «больше данных — лучше».
В основе SGC лежит «патологический приор» — показатель структурной и статистической аномалии, полученный с помощью генеративной сети. После нормализации этот приор объединяется с глубокими признаками ЭЭГ, направляя решающую границу классификатора. Дополнительно модуль Cross-Channel Spatial Adaptation адаптируется к разным конфигурациям каналов, что позволяет обрабатывать данные с многоканальных устройств без перенастройки.
Эксперименты проводились на двух датасетах: Mumtaz2016 и модифицированном MODMA. Результаты показали, что метод эффективно работает в режиме «нулевой аугментации» и с нулевой стоимостью синтеза новых данных. Авторы отметили высокую обобщающую способность SGC — он показал стабильные результаты на разных наборах данных.
По словам исследователей, SGC может упростить и удешевить разработку систем скрининга депрессии на основе ЭЭГ: нет необходимости в огромных базах данных и мощных вычислителях для генерации синтетики. В перспективе технология может быть интегрирована в портативные устройства для мониторинга психического здоровья.
