自主监督的脑电图表示学习用于自动睡眠分期:模型开发和评估研究

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 生物医学工程 生物医学工程

背景情况:

• 深度学习模型通过分析电脑电图 (EEG) 数据,在睡眠医学中脱而出.
• 在有效利用大量原始EEG数据进行模型培训方面,仍然存在重大挑战.

研究的目的:

• 从大量未标记的EEG信号中开发出强大的矢量表示.
• 确保这些学习的特征适用于睡眠分阶段,并优于具有有限或噪音数据的监督模型.

主要方法:

• 介绍了一个自主监督的模型,名为与世界表示对比 (ContraWR),用于EEG信号表示学习.
• ContraWR利用全球数据统计,与以往依赖于负样本的方法不同,以区分睡眠阶段.
• 在三个不同的,现实世界的EEG数据集 (家庭和实验室记录) 上进行模型验证.

主要成果:

• 与其他四种自我监督的学习方法相比,ContraWR在三个大型EEG数据集的睡眠分期中表现出了更好的表现.
• 该模型的表现优于监督学习,特别是在低标签的场景中,在睡眠EDF数据集中标签数据不到2%的情况下,准确性提高了4%.
• 生成的2D投影揭示了学习到的表征中的信息和代表性特征结构.

结论:

• ContraWR表现出对噪声的稳定性,为随后的预测任务提供高质量的EEG表示.
• 该模型的适用性扩展到其他无监督的生理信号学习任务.
• 未来的研究将专注于特定任务的数据增强和混合自主监督/监督方法.