通过跨设备表示一致性实现基于EEG的识别的自我监督的对比预训

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:

• 电脑电图 (EEG) 对于大脑状态建模至关重要,但面临诸如低信号噪声比率和稀缺标记数据等挑战.
• 现有的方法往往独立地解决这些挑战,限制了整体有效性.

研究的目的:

• 为EEG识别系统引入一种新的预训练范式,即跨设备表示一致性 (CDRC).
• 在EEG分析中同时解决低信号噪声比率和数据稀缺问题.

主要方法:

• 开发了CDRC,一种自主监督的预培训方法,使用代表距离和对比估计.
• 采用基于变压器的双分支架构,具有对比特征对齐模块.
• 根据情绪分类 (低SNR,干电极) 和警觉回归 (多式融合,跨设备) 进行评估.

主要成果:

• 在情绪分类和警回归任务上,CDRC实现了与完全监督的方法相提并论的性能.
• 在现有的自我监督方法中达到最先进的结果,设定了一个新的基准.
• 在独立于主题的任务上表现出强的表现,有效地减轻了主题的变化.

结论:

• CDRC显著提高了基于EEG的识别系统的实用性和可扩展性.
• 该方法显示了现实世界大脑-计算机接口的巨大潜力.
• 在具有挑战性的条件下,CDRC提供了一个强大的解决方案来改进EEG数据分析.