一种用于睡眠分期的双流时频对比前置任务框架
信号处理
2023-12-18 v1 机器学习
摘要
自监督学习解决了许多监督方法所面临的挑战，即对大量标注数据的需求。这一挑战在脑电图（EEG）研究领域尤为突出。自监督学习则通过利用前置任务生成的伪标签来获取丰富且有意义的数据表示。在本研究中，我们旨在引入一种在时域和频域均运行的双流前置任务架构。具体而言，我们考察了将新颖的频率相似性（FS）前置任务结合到两个现有前置任务——相对定位（RP）和时间混洗（TS）中。我们在下游任务睡眠分期的背景下，使用 Physionet Challenge 2018 (PC18) 数据集评估了这些模型的准确性。加入 FS 使得下游任务的准确率显著提升，在 RP 上提升了 1.28 个百分点，在 TS 上提升了 2.02 个百分点。此外，当使用统一流形逼近与投影（UMAP）对学习到的嵌入进行可视化时，出现了明显的簇，表明学习到的表示携带了有意义的信息。
引用
@article{arxiv.2312.09623,
title = {A novel dual-stream time-frequency contrastive pretext tasks framework for sleep stage classification},
author = {Sergio Kazatzidis and Siamak Mehrkanoon},
journal= {arXiv preprint arXiv:2312.09623},
year = {2023}
}
备注
8 pages, 7 figures