Dec, 2023

SelfEEG: 一个用于自监督学习的脑电图 Python 库

PDF
TL;DRSelfEEG 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。
selfeegself-supervised learningpython libraryelectroencephalography datadeep learning
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

  • 利用自监督学习揭示临床脑电信号的结构

    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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 使用自监督学习的多模态多导联心电图心律失常分类

    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

  • MBrain: 一个用于脑信号的多通道自监督学习框架

    本文提出了 MBrain，一种用于自监督学习的框架，可以用于预训练 SEEG 或 EEG 数据，并在大规模现实世界数据上进行了癫痫检测实验，表明我们的模型优于现有的一些时间序列自监督和无监督模型，并具有在临床实践中被部署的能力。

    Jun, 2023

  • 半监督双流自注意对抗图对比学习用于跨主体基于脑电的情绪识别

    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