Jul, 2020

利用自监督学习揭示临床脑电信号的结构

PDF
TL;DR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。
supervised learning paradigmselectroencephalographyself-supervised learningeeg-based sleep stagingpathology detection
发现论文，激发创造
  • 自监督学习用于脑电图的系统调查

    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

  • 基于自监督学习的脑电信号表示学习

    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

  • 基于主题的非对比自监督学习用于 ECG 信号处理

    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

  • 知识引导的脑电图表示学习

    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

  • 自监督脉搏波形学习显示高主体间变异性

    本文提出了一种自监督学习方法用于学习一个通用的、具有信息的 PPG 表示，并将其用于活动和睡眠阶段的识别以及更普遍的健康状态预测，结果表明在标记数据稀缺时，使用 SSL 对于简单分类器的训练表现更好，同时也发现 SSL 的结果集中于编码受试者，因此对于标记数据不足的情况有一定局限性。

    Dec, 2022

  • 自监督学习用于脑电图异常信道检测：应用于癫痫分析

    本篇论文提出了一种无需标记的自监督方法，通过积极和消极子图考虑嵌入在 EEG 图中的局部结构和上下文信息，从而检测癫痫通道和片段，并在最大的癫痫数据集上展示了其超越同领域先进水平的性能。

    Aug, 2022

  • EEGFormer：面向可迁移和可解释的大规模 EEG 基础模型

    通过自监督学习方法，本文介绍了一个新颖的脑电图基础模型 EEGFormer，能够在各种下游任务中学习出可适应的通用表示，并通过自监督学习展示了可转移的异常检测性能和有价值的模式解释。

    Jan, 2024

  • 自监督 EEG 表征学习用于自动睡眠分期

    本文介绍了一种名为 ContraWR 的自监督学习算法，可以用于从大量未标记的 EEG 数据中学习鲁棒的向量表示，用于睡眠分期任务，并且相比监督学习方法在数据标记少和噪声干扰情况下表现更好。

    Oct, 2021

  • SelfEEG: 一个用于自监督学习的脑电图 Python 库

    SelfEEG 是一个用于在脑电图 (EEG) 数据上进行自监督学习 (Self-Supervised Learning, SSL) 实验的开源 Python 库，旨在为研究人员提供一个用户友好但高度可定制的环境，使其能够高效设计和执行 EEG 数据上的自监督学习任务。

    Dec, 2023

  • NeuroNet：一种新型混合自监督学习框架用于使用单通道 EEG 进行睡眠阶段分类

    通过结合对比学习任务和掩蔽预测任务，利用未标记的单通道睡眠脑电图（EEG）信号，本研究提出了 NeuroNet，一个自监督学习（SSL）框架，通过三个多导睡眠多项生理参数记录（PSG）数据集的广泛实验，展示了超越现有 SSL 方法的优越性能。同时，研究还提出了基于 Mamba 的时间上下文模块，用于捕捉多样性的 EEG 时期之间的关系。结合 NeuroNet 和基于 Mamba 的时间上下文模块，即使在有限的标记数据量下，也能达到甚至超过最新的监督学习方法的性能。该研究有望建立一个关于睡眠阶段分类的新基准，为睡眠分析领域的未来研究和应用提供指导。

    Apr, 2024