Tucker分解迁移学习模型

小样本93.33%准确率

通过多级信息融合与迁移学习，在手写笔迹数据稀缺条件下显著提升阿尔茨海默病检测的准确率与敏感性，优于现有方法。

Yao, Yao · 于卓熙 · 王德辉 · Chengzhe, Wang · 孙丛婷

Information Fusion 2026

参数信息

检测准确率

93.33 %

敏感性

99.10 %

小样本准确率

87.50 %

参数减少比例

80 %

技术优势

准确率大幅领先

在DARWIN数据集上，准确率从现有最佳的88.29%提高到93.33%，敏感性从90.28%提升到99.10%。

小样本依然稳健

仅使用10%的训练数据，模型仍取得87.50%的准确率，显著降低了对标注数据的依赖。

参数减少八成

Tucker分解在保留判别信息的同时实现80%的参数削减，模型更轻量，适合资源受限场景。

抑制负迁移

两阶段迁移去偏机制显式控制负迁移风险，避免引入无关领域知识带来的性能损失。

应用场景

• 阿尔茨海默病早筛：用非侵入式手写笔迹筛查AD，大幅提高早期发现率。
• 手写行为分析：提取笔迹中的运动学和时序特征，作为AD的判别标志。
• 非侵入式诊断：无需生物样本或影像，通过笔迹分析实现便捷筛查。
• 小样本医疗AI：用10%数据仍保持87.50%准确率，突破标注数据瓶颈。