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
本文提出了基于对比学习的无监督自适应方法来建模具有噪声标签和少数受试者的生物信号,通过特定于个体的对比损失和对抗性训练来提高模型性能,以及使用时间序列数据增强技术来完善对比损失,实现了对脑电解码和心电异常检测任务的良好分类结果。
Jun, 2020
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
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。
该研究使用脑电图 (EEG) 信号进行图像重建和分类,通过深度学习的特征提取方法在多个数据集上展示了其在大脑与计算机交互中的可广泛应用性,并提出了一种在 EEG 空间中转换未见图像并进行近似重建的新框架,显示出优于生成对抗网络现有性能的潜力。
Oct, 2023
提出了一种基于小波变换的自监督学习方法,用于从未标注的传感器输入中学习有用的表示,该方法通过优化对比目标使用深时间神经网络来确定一对信号和其补充视图(即使用小波变换生成的 scalogram)是否对齐,对无标签的数据进行训练可以提高泛化能力,并在多个任务中实现了具有竞争力的性能。
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
本文提出了一种基于神经知识支持的 EEG 表示的知识驱动的跨视角对比学习框架 (KDC2),该方法通过模拟头皮和神经视图来提取有效表示,应用不同视角的对比学习和增强方法来捕捉神经特征,并通过建模同源神经信息一致性理论来提取不变和互补的神经知识生成联合表示,实验结果表明该方法在不同的下游任务上优于现有方法,突出了神经知识支持的 EEG 表示在各种脑任务中的优越泛化能力。
Sep, 2023
本文着眼于通过自我监督学习和适应语言建模技术来发展基于深度神经网络的脑电建模技术,建立起一个单一的预训练模型,用于建模不同硬件、不同受试者和不同任务的全新脑电图序列记录,从而取得较好的脑机接口和脑电分类性能。
Jan, 2021