SSL-SE-EEG:从未标记的EEG数据与自主监督学习和挤压激发网络进行强有力的学习的框架

科学领域:

• 生物医学工程 生物医学工程
• 机器学习 机器学习
• 神经科学是一个神经科学.

背景情况:

• 脑电图 (EEG) 对于脑电脑接口 (BCI) 和神经诊断至关重要.
• 现实世界的EEG部署受到噪音,缺失的数据和高标注成本的阻碍.
• 当前的EEG处理方法通常需要大量的标记数据,并与工件作斗争.

研究的目的:

• 引入SSL-SE-EEG,这是一个结合自主监督学习 (SSL) 和挤压激发网络 (SE-Nets) 的框架.
• 为了增强EEG特征提取,提高噪声强度,并最大限度地减少对标记数据的需求.
• 为了实现先进应用的可扩展和低功耗的EEG信号处理.

主要方法:

• 脑电图信号被转化为结构化的二维图像表示,用于深度学习.
• 自主监督学习 (SSL) 的整合,用于无监督的特征学习.
• 使用挤压激发网络 (SE-Nets) 来改进特征表示.

主要成果:

• 实现了最先进的准确性:在MindBigData上达到91%,在TUH-AB数据集上达到85%.
• 证明了增强的噪声强度和减少对标记数据的依赖.
• 在多个基准EEG数据集 (MindBigData,TUH-AB,SEED-IV,BCI-IV) 中验证了性能.

结论:

• SSL-SE-EEG为生物医学信号分析和神经工程提供了一个有前途的解决方案.
• 该框架非常适合实时脑电脑接口应用程序.
• 能够实现低功耗,可扩展的EEG处理,推进下一代BCI.