基于自监督学习的基于心电图的情感识别
本研究通过自监督深度多任务学习框架,利用信号变换识别网络学习心电图 (ECG) 表示,进而进行基于 ECG 的情感识别,结果显示该方案在情感分类领域取得显著表现,并针对自监督的多任务结构与预训练任务难度的影响进行了深入研究。
Feb, 2020
本文提出使用基于 Transformer 的模型处理心电图以进行情感识别,利用 Transformer 的注意机制为信号构建上下文化表示,并通过全连接网络对这些表示进行处理,以预测情感,同时利用自监督学习来克服情感标签数据集相对较小的限制,实现了对 AMIGOS 数据集上心电图情感识别的最新性能,并且表明了 Transformer 和预训练是应用于生理信号情感识别的有前途的策略。
Apr, 2022
本文提出了一种基于自我监督表示学习的方法 ECGBERT,通过无监督预训练模型,缓解了医疗数据缺乏标注和筛选的问题,并在心房纤颤心律失常检测、心跳分类、睡眠呼吸暂停检测和用户认证等四个任务上展示了 ECGBERT 在各种基于 ECG 的问题上取得最先进的结果的潜力。
Jun, 2023
介绍了一种新的自监督学习方法和使用 transformer blocks 的模型,能够提取 ECG 信号并捕获不同的睡眠阶段和不同心律失常。
May, 2023
本论文提出了基于自监督学习技术的多模态心电图分类方法,利用单模态 ECG 的时间序列和频谱信息,以及 SSL-pre-stream 任务和 down-stream 任务结合的方式实现。在评估这种方法的有效性时,使用 12 导联 PhysioNet 2020 数据集进行了十折交叉验证。
Sep, 2022
情绪在人脑的认知过程中扮演重要角色,本研究提出了一种基于生理和心理数据的无监督深度聚类框架用于情绪识别。通过对 WESAD 数据集的测试,深度 k 均值和深度 c 均值在 Russell 情感模型的四个象限上具有 87% 的总体准确率,并通过主观评估结果初始化聚类,避免了需要标签的问题。
Aug, 2023
本文提出了一种半监督的双流自我注意对抗性图对比学习框架 (DS-AGC),用于解决跨受试者基于脑电图的情绪识别中标记数据不足的挑战,并通过多个实验表明该模型在不完整标签条件下优于现有方法,具有有效解决跨受试者基于脑电图的情绪识别中标签稀缺问题的效果。
Aug, 2023
本文介绍了一种基于卷积层和变压器机制的深度神经网络,用于通过心电信号检测压力,实验结果表明该模型在两个公共数据集 WESAD 和 SWELL-KW 上达到了与 ECG 压力检测领域现有技术水平相当甚至更好的结果。此外,该方法是端到端的,不需要手工制作特征,并且只需使用少量的卷积块和变压器组件即可学习稳健的表示形式。
Aug, 2021