基于EEG的大脑网络分类的自主监督的时空对比网络
Changxu Dong1, Dengdi Sun1, Bin Luo2
1Key Laboratory of Intelligent Computing & Signal Processing (ICSP), Ministry of Education, School of Artificial Intelligence, Anhui University, Hefei, 230601, Anhui, China.
概括
这项研究引入了一个自我监督的空间时间对比网络 (SS-STCN) 用于大脑网络分类. 新的框架有效地分析未标记的脑电图 (EEG) 数据,在疾病和情绪识别任务中表现优于现有的方法.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 生物医学工程 生物医学工程
背景情况:
- 基于脑电图 (EEG) 的脑网络分析对于理解大脑疾病至关重要.
- 当前的方法面临着利用大型未标记数据集进行空间和时间大脑连接分析的挑战.
- 数据注释的高成本限制了先进机器学习模型的应用.
研究的目的:
- 为大脑网络分类开发一种新的自我监督空间时间对比网络 (SS-STCN).
- 从未标记的EEG数据中提取高级特征表示,降低注释成本.
- 提高大脑网络分析的准确性和通用性.
主要方法:
- 设计了一个自我监督的对比学习框架 (SS-STCN).
- 训练了注意力驱动的双流编码器,包括空间图注意力网络 (SGAT) 和时间双向长期短期记忆 (TBLSTM).
- 通过在标记数据上使用训练有素的混合网络来实现时空特征融合.
主要成果:
- 与现有的监督和无监督方法相比,SS-STCN框架显示出更高的性能.
- 在CHB-MIT和Deap数据集上的实验显示了症分类和情绪识别的高准确性.
- 该方法有效地捕捉了大脑网络中的空间和时间关系.
结论:
- SS-STCN框架提供了一种强大的方法,用于使用未标记的EEG数据进行大脑网络分类.
- 这种方法显著提高了特征提取和模型通用性.
- SS-STCN为大脑疾病研究和相关应用提供了具有成本效益的解决方案.
