AAAI 2025 | AnchorInv：基于特征空间引导逆变换的生理信号少样本类别增量学习

在生物医学领域，模型通常基于有限数据开发，且这些数据会随着新类别的出现而增量到达，要求在少量数据支撑下识别新类别的同时，需要保留对旧类别的认知且无需重训整个模型。此外，现有少样本类增量学习（FSCIL）方法的评估因其实验样本少的特性，对样本的选择极为敏感。

论文提出创新策略 AnchorInv，不同于选择和存储原始数据，其在特征空间中的锚点引导下生成合成样本，既能保护隐私，又能为模型微调提供正则化。在基础会话中，训练集被投影到特征空间，各类别锚点存储在锚点集内存中；在增量会话中，锚点集引导模型逆变换过程，生成先前见过类别的代表性样本，这些逆变换样本和少样本训练集随后被用于微调骨干网络，新类别的锚点也会陆续添加到锚点集内存中，供后续增量会话使用。

本研究在生理时间序列数据集BCI-IV 2a、NHIE、GRABMyo上对 AnchorInv 进行了评估，AnchorInv 在所有增量会话中均取得了最佳的 Macro-F1 分数。AnchorInv的方法框架图如图 1所示。

图1 Anchorinv的框架总览图

现有的FSCIL方法通常基于两个关键假设：一是拥有大量基类来训练泛化能力强的骨干模型，二是能够存储原始样本以供增量阶段使用。但在医疗场景中，基类数量通常有限，且直接存储数据会引发隐私问题。此外，简单微调骨干网络会导致灾难性遗忘，而生成对抗网络（GAN）等生成式回放方法又存在计算复杂性和模式坍塌等问题。

近期研究尝试通过模型反演技术（如DeepDream和DeepInv）生成合成样本，但这些方法主要在标签空间进行约束，可能无法充分防止特征空间的偏移。因此，本研究提出了一种基于特征空间锚点引导的反演方法，通过生成多样化的合成样本来平衡新旧类别的学习，同时保护数据隐私。这一方法在生理信号数据集上表现出色，超越了现有方法的性能。

实验分别在BCI-IV 2a运动想象EEG数据集、NHIE新生儿缺氧缺血性脑病EEG分级数据集和GRABMyo手势识别EMG数据集上进行，皆采用1-way 10-shot设置。实验使用EEG-Conformer作为骨干网络。AnchorInv在三个数据集的所有增量阶段均取得最佳Macro-F1 分数，尤其在BCI和NHIE数据集上分别比最优基线方法提升2.19%和3.24%，具体结果参见表1：

表1  Anchorinv与基线方法在三个数据集上的性能比较

研究对NHIE数据集的两个基类的锚点集和反演样本的特征向量进行降维可视化（如图3所示）。结果表示该方法能精确控制合成样本在特征空间中的位置，确保其与原始数据的统计特性一致，从而有效保留基类知识。

图3 锚点集与反演样本在特征空间的可视化对比

消融实验部分主要研究了AnchorInv方法中关键设计选择对最终性能的影响，集中在三个部分：

①  基类锚点选择策略的比较：锚点策略需要根据数据特性调整，但简单的随机采样在多数情况下已足够鲁棒。

②  增量阶段训练样本数量K的影响测试：当K≥10时模型性能趋于稳定，说明少量样本（10-shot）已能提供足够的增量学习信息，符合实际应用中数据稀缺的场景设定。

③  基类锚点数量P的作用：性能随P增加而提升，当P≥50时趋于饱和，说明保留适量锚点即可有效表征基类分布，过度增加并不能带来显著增益。

本研究针对生理信号少样本类别增量学习（FSCIL）中基础类别有限及数据隐私问题，提出AnchorInv方法。该方法通过特征空间锚点引导生成合成样本，无需存储原始数据，在保护隐私的同时缓解灾难性遗忘。实验在BCI、NHIE和GRABMyo三个生理数据集上进行，结果显示AnchorInv在各会话中均优于现有基线方法，尤其在基础类别有限时表现突出，有效平衡了历史知识保留与新类别适应，为生理信号增量学习提供了高效解决方案。