自监督脉搏波形学习显示高主体间变异性
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
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
应用对比自监督学习方法，以及音频增强技术，通过学习泛化的心音图信号表示，检测心音图样本中的异常情况，并在多个数据集上进行了广泛的评估，证实了对比自监督学习方法可以提供具有鲁棒性的分类器，能够在未见过的数据上进行泛化，而无需专家进行耗时耗力的注释过程。
Dec, 2023
提出了一种新的非对抗无监督学习框架，用于从未标记的视频数据中直接提取血容量脉搏，以实现低成本的非接触健康监测，并展示了该框架在调整模型和个性化适应信号回归方面的效果。
Apr, 2024
该研究在儿童重症监护单元 (CHU Sainte Justine's PICU) 的最新研究中发现，在 PPG 信号的伪迹检测方面，传统的机器学习方法（如半监督标签传播和 K 最近邻算法）在数据有限时效果优于基于 Transformer 模型的方法。本研究通过自我监督学习 (Self-Supervised Learning, SSL) 从未标记数据中提取潜在特征，并结合有标签数据进行微调，证明了 SSL 能够显著增强 Transformer 模型的表示学习能力，在伪迹分类任务中提高了其稳健性。其中，对比学习 (contrastive learning) 是众多 SSL 技术中表现最稳定且性能最优的技术，特别适用于小规模的 PPG 数据集。此外，研究还详细探讨了对比损失函数优化的问题，该函数对于对比自我监督学习至关重要。受 InfoNCE 的启发，我们引入了一种新的对比损失函数，有助于训练更平稳、收敛更好，从而提高伪迹分类的性能。总之，该研究证实了 SSL 在利用未标记数据方面的效果，特别是在增强 Transformer 模型能力方面，并有望在注释数据有限的 PICU 环境中广泛应用。
Jan, 2024
本研究介绍了一种利用表示学习和个性化以提高 PPG 数据异常检测性能的两阶段框架，并使用两个不同数据集进行验证。研究结果表明，表示学习显著提高了异常检测性能，同时减少了高内个体变异性。个性化模型进一步增强了异常检测性能，强调了个性化在基于 PPG 的健康监测系统中的作用。生物识别的结果表明，更容易将新用户与一个受授权的用户区分开来而不是从一组用户中区分出来。
Jul, 2023
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
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