基础模型使用自主监督学习的可穿戴EEG.

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 信号处理 信号处理

背景情况:

• 机器学习模型擅长学习表示,但需要大量的注释数据集,这在电脑电图 (EEG) 分析中很少,因为信号变化,工件和标签成本.
• 可穿戴的EEG设备有助于大规模收集数据,但未标记数据的普遍性阻碍了监督学习的可扩展性.
• 开发可靠和可通用的EEG特征表示仍然是一个重大挑战.

研究的目的:

• 探索自我监督学习 (SSL) 以开发EEG分析中的基础模型.
• 调查对比学习在参与者和细分层面对EEG表示学习的有效性.
• 在下游任务中使用SSL训练嵌入器评估深度学习架构 (ShallowNet,EEGConformer).

主要方法:

• 在Muse冥想数据集 (MMD) 上,应用自主监督学习 (SSL) 与参与者和细分级别的对比学习.
• 使用了两个深度学习架构:ShallowNet和EEGConformer.
• 评估下游任务的模型性能,包括年龄和性别分类,比较SSL训练的嵌入与完全监督的模型.

主要成果:

• 经过SSL训练的嵌入显著优于完全监督的模型,特别是在低标签数据场景中.
• 与分段级学习相比,参与者级别的对比学习显示了更好的分类准确性.
• 使用基于变压器的自我注意力,EEGConformer架构在EEG表示学习中表现出优于ShallowNet的性能.

结论:

• 自主监督学习为开发有效的EEG基础模型提供了一个可扩展的方法,解决数据稀缺问题.
• 参与者级别的对比学习对于捕捉主体间的变化和在EEG中增强概括至关重要.
• 像EEGConformer这样的基于变压器的架构显示了通过自我监督的预训练来提取先进的EEG特征的前景.