基于主题感知对比学习的生物信号处理
提出了一种自监督模型用于 EEG 信号分析，采用基于状态空间的深度学习架构，提供了稳健性能和显著参数效率，同时提出了一种新颖的知识引导的预训练目标，改善了嵌入式表示学习和下游任务的性能。
Feb, 2024
文章使用一种新方法，通过提高来自不同参与者但属于相同类的特征的相似性，从而实现学习主体无关的表示，进而在训练中仅使用少数样本即可准确预测基于 EEG 信号的视觉刺激类别。在有限数据情况下，即使采用了严格的问题设置，该方法在 EEG-ImageNet40 基准上实现了令人满意的表现，即面向目标主体每类只使用 5 个 EEG 样本时：72.6％ / 91.6％的 top-1 /top-3 测试精度。
Feb, 2022
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
本文系统地研究了对心电图信号进行对比自监督学习的各种增强方法的有效性并确定了最佳参数。通过实验得出，选择特定复杂度范围内的增强方法对于自监督对比学习效果更佳，而增强方法太简单或太复杂都会妨碍模型高效学习泛化表征，本研究可为未来自监督对比学习生物信号的研究提供参考并帮助选择不同增强方法的最佳参数。
May, 2022
该研究介绍了如何使用转移学习和元学习技术，来处理来自不同来源的生物信号数据，以解决医疗诊断和脑 - 机器接口任务的自动化问题。在这个研究里，以脑电图 (EEG) 为例，设计两项转移学习挑战任务，并通过竞赛验证了这些方法的效果。
Feb, 2022
使用自监督学习技术对无标签的脑电信号数据进行了处理，获得了比使用有标签数据的监督学习深度神经网络更好的效果，并揭示了不同的生理和临床现象之间的潜在结构。
Jul, 2020
本文提出了 Biosignal Transformer 模型，通过将不同的生物信号令牌化成一致的 “生物信号句子”，添加通道嵌入和相对位置嵌入等技术，实现跨数据集学习，适用于不同数据格式的多个生物信号学习，并在 EEG、ECG 和人类活动感官信号上进行了综合评估。
May, 2023
在多个领域，数据采集和标注的成本和实际应用性限制了监督式学习范式。本文提出了一种使用自监督学习范式从多元时间序列中学习信息表示的方法，并表明该方法没有依赖标签数据就可以超越纯监督式方法在低数据情况下应用于临床相关任务（如睡眠评分）以及两个脑电波数据集，并捕获了重要的生理信息。
Nov, 2019
本文提出了一种针对脑电图（ EEG）信号的自我监督学习（ SSL）框架综述，讨论了典型的 SSL 框架、现有的 EEG-SSL 框架以及 SSL 方法在不同下游任务中的适应性和潜在发展方向。
Jan, 2024
本文通过提出一种基于无对比度自监督学习的行为生物识别系统来提高标签效率，旨在解决行为生物识别系统所涉及的隐私和易用性问题，并通过实验证明了非对比学习表现优异，尤其在标记数据较少的情况下这种方法比监督学习和数据增强方法表现更佳。
Oct, 2022