普通朋友
无
无 · 1年经验
日薪：
￥500/8h
地点：
郑州
时间：
可工作日远程可工作日驻场（自由职业原因）
信用行为
0
接单数
0
评价数
0
收藏数
技术能力
编程语言：Python
深度学习：PyTorch
EEG 信号处理：MNE-Python、SciPy、FastICA + ICLabel、FIR 带通/重采样/伪迹去除
数据处理：NumPy、pandas、scikit-learn
建模方法：图神经网络、对抗域适应、多视图图构建、注意力机制
深度学习：PyTorch
EEG 信号处理：MNE-Python、SciPy、FastICA + ICLabel、FIR 带通/重采样/伪迹去除
数据处理：NumPy、pandas、scikit-learn
建模方法：图神经网络、对抗域适应、多视图图构建、注意力机制
项目经验
基于脑电（EEG）的精神分裂症辅助诊断框架（投稿于 Expert Systems with Applications）
针对精神分裂症 EEG 分类中"受试者混合划分"导致模型记忆个体特征、精度虚高的问题，提出一种样本级自适应图学习 + 训练受试者身份对抗正则化框架。为每个 EEG 片段独立构建稀疏有向图：融合球面测地距离、冻结 BERT 电极文本语义与片段内时序注意力，并通过门控与相对稀疏掩码稳定图结构；同时利用梯度反转层（GRL）将每个训练受试者视为独立身份类别，在共享 64 维表征上施加对抗正则，并采用线性预热调度避免训练失稳。疾病头使用 KAN + 焦点损失，推理时丢弃身份分支。在 CCSZ（60 通道）与 ASZED（16 通道）两个公开数据集上，片段级 AUROC 分别达 0.895 与 0.770，较 9 个主流基线最强值 0.706 提升 0.181；并通过受试者分层五折（0.711±0.172）与线性身份探针实验，客观评估了泛化性与方法边界。
针对精神分裂症 EEG 分类中"受试者混合划分"导致模型记忆个体特征、精度虚高的问题，提出一种样本级自适应图学习 + 训练受试者身份对抗正则化框架。为每个 EEG 片段独立构建稀疏有向图：融合球面测地距离、冻结 BERT 电极文本语义与片段内时序注意力，并通过门控与相对稀疏掩码稳定图结构；同时利用梯度反转层（GRL）将每个训练受试者视为独立身份类别，在共享 64 维表征上施加对抗正则，并采用线性预热调度避免训练失稳。疾病头使用 KAN + 焦点损失，推理时丢弃身份分支。在 CCSZ（60 通道）与 ASZED（16 通道）两个公开数据集上，片段级 AUROC 分别达 0.895 与 0.770，较 9 个主流基线最强值 0.706 提升 0.181；并通过受试者分层五折（0.711±0.172）与线性身份探针实验，客观评估了泛化性与方法边界。
普通朋友
无 · 1年经验 · 无
0
累计接单
0
用户评价
0
被收藏
信用行为
0
接单数
0
评价数
0
收藏数
技术能力
编程语言：Python
深度学习：PyTorch
EEG 信号处理：MNE-Python、SciPy、FastICA + ICLabel、FIR 带通/重采样/伪迹去除
数据处理：NumPy、pandas、scikit-learn
建模方法：图神经网络、对抗域适应、多视图图构建、注意力机制
深度学习：PyTorch
EEG 信号处理：MNE-Python、SciPy、FastICA + ICLabel、FIR 带通/重采样/伪迹去除
数据处理：NumPy、pandas、scikit-learn
建模方法：图神经网络、对抗域适应、多视图图构建、注意力机制
项目经验
基于脑电（EEG）的精神分裂症辅助诊断框架（投稿于 Expert Systems with Applications）
针对精神分裂症 EEG 分类中"受试者混合划分"导致模型记忆个体特征、精度虚高的问题，提出一种样本级自适应图学习 + 训练受试者身份对抗正则化框架。为每个 EEG 片段独立构建稀疏有向图：融合球面测地距离、冻结 BERT 电极文本语义与片段内时序注意力，并通过门控与相对稀疏掩码稳定图结构；同时利用梯度反转层（GRL）将每个训练受试者视为独立身份类别，在共享 64 维表征上施加对抗正则，并采用线性预热调度避免训练失稳。疾病头使用 KAN + 焦点损失，推理时丢弃身份分支。在 CCSZ（60 通道）与 ASZED（16 通道）两个公开数据集上，片段级 AUROC 分别达 0.895 与 0.770，较 9 个主流基线最强值 0.706 提升 0.181；并通过受试者分层五折（0.711±0.172）与线性身份探针实验，客观评估了泛化性与方法边界。
针对精神分裂症 EEG 分类中"受试者混合划分"导致模型记忆个体特征、精度虚高的问题，提出一种样本级自适应图学习 + 训练受试者身份对抗正则化框架。为每个 EEG 片段独立构建稀疏有向图：融合球面测地距离、冻结 BERT 电极文本语义与片段内时序注意力，并通过门控与相对稀疏掩码稳定图结构；同时利用梯度反转层（GRL）将每个训练受试者视为独立身份类别，在共享 64 维表征上施加对抗正则，并采用线性预热调度避免训练失稳。疾病头使用 KAN + 焦点损失，推理时丢弃身份分支。在 CCSZ（60 通道）与 ASZED（16 通道）两个公开数据集上，片段级 AUROC 分别达 0.895 与 0.770，较 9 个主流基线最强值 0.706 提升 0.181；并通过受试者分层五折（0.711±0.172）与线性身份探针实验，客观评估了泛化性与方法边界。
立即沟通
