基于Tucker张量分解与迁移学习的多源信息融合方法在阿尔茨海默病手写分析中的突破性应用

《Information Fusion》:Multi-Source Information Fusion through Tucker Tensor Decomposition-Based Transfer Learning for Handwriting-Based Alzheimer’s Disease Detection

【字体: 大 中 小 】 时间:2025年12月31日 来源:Information Fusion 15.5

编辑推荐:

  本文提出了一种创新的多级信息融合框架,通过Tucker张量分解(Tucker Decomposition)实现手写数据的高效特征提取(80%参数压缩率),结合可迁移源域检测算法与两阶段去偏机制,在DARWIN数据集上达到93.33%准确率和99.10%灵敏度,为阿尔茨海默病(AD)早期筛查提供了非侵入性解决方案。

  
Highlight
我们的多级融合框架通过协同整合结构、特征、知识和决策层面的信息,显著提升了手写数据在阿尔茨海默病检测中的性能表现。
Section snippets
Notation and Conventions
本文采用统一的数学符号规范以增强可读性。手写数据以三阶张量X ∈ R18×25×3表示,其中:
  • •
    模式1:18维手写特征(时序、运动学、压力等)
  • •
    模式2:25项手写任务
  • •
    模式3:3类任务范畴(记忆、图形、抄写)
Information Fusion in Biomedical Applications
信息融合技术在阿尔茨海默病检测中展现出巨大潜力,通过整合多模态数据(如神经影像、生物标记物和行为数据)提供互补洞察。现有研究多采用深度学习架构和基础模型,但面临数据隐私、可解释性等挑战。
Problem Formulation
我们将AD检测建模为基于多维度张量数据的二分类问题。目标域数据集D0包含样本(Xi(0), yi(0)),其中Xi(0)∈ RL1×L2×L3为特征张量,yi(0)∈ {+1, -1}为类别标签。同时引入K个源域Dk实现跨领域知识迁移。
Methodology: Tucker Tensor Decomposition-Based Information Fusion
本节详细介绍了我们提出的Tucker张量费舍尔判别分析(Tucker-TFDA)算法,该算法突破了传统张量判别分析的秩1限制,通过可迁移源域检测和两阶段"迁移-去偏"机制,有效解决了小样本场景下的负迁移风险。
Experimental Results and Fusion Performance Analysis
实验表明,我们的框架在DARWIN数据集上准确率高达93.33%,灵敏度达99.10%,显著优于现有方法(最佳基线为88.29%准确率)。在仅使用10%训练数据时仍保持87.50%的准确率,展现出卓越的小样本鲁棒性。特征重要性分析显示运动学特征贡献度达35.3%,时序特征中总时长(9.4%)成为关键标志物。
Discussion
我们的多级融合框架为AD早期检测提供了新范式,其张量结构保留能力与迁移学习机制尤其适用于临床资源有限场景。未来工作将探索多中心数据验证和实时诊断应用。
Conclusion
本文提出的多级融合框架通过Tucker张量分解与迁移学习的协同创新,有效解决了手写AD检测中的数据稀缺和高维特征挑战,为老龄化社会的早期干预提供了技术支撑。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号