EEG2Rep：通过信息丰富的掩码输入增强自监督 EEG 表征
信号处理
2024-06-19 v2 机器学习
摘要
用于脑电图（EEG）表征学习的自监督方法面临 EEG 数据固有的三个特定挑战：(1) 低信噪比挑战了所学表征的质量；(2) 由于受试者间变异性等因素，振幅范围从极小到相对较大，导致模型可能被高振幅范围主导；(3) 连续值序列中缺乏显式分割，可能导致表征信息量不足。为应对这些挑战，我们引入了 EEG2Rep，一种用于 EEG 自监督表征学习的自预测方法。EEG2Rep 的两个核心新颖组件如下：1) EEG2Rep 不是学习从原始 EEG 预测掩码输入，而是学习在潜在表征空间中预测掩码输入；2) 与传统的掩码方法不同，EEG2Rep 使用一种新的语义子序列保持（SSP）方法，该方法提供信息丰富的掩码输入，引导 EEG2Rep 生成丰富的语义表征。在涉及受试者变异性的 6 个不同 EEG 任务实验中，EEG2Rep 显著优于最先进的方法。我们表明，我们的语义子序列保持方法改进了自预测文献中现有的掩码方法，并发现保留 50% 的 EEG 记录将在所有 6 个任务上平均产生最准确的结果。最后，我们展示了 EEG2Rep 对噪声具有鲁棒性，解决了 EEG 数据中存在的一个重大挑战。模型和代码可在以下地址获取：\url{https://github.com/Navidfoumani/EEG2Rep}
引用
@article{arxiv.2402.17772,
title = {EEG2Rep: Enhancing Self-supervised EEG Representation Through Informative Masked Inputs},
author = {Navid Mohammadi Foumani and Geoffrey Mackellar and Soheila Ghane and Saad Irtza and Nam Nguyen and Mahsa Salehi},
journal= {arXiv preprint arXiv:2402.17772},
year = {2024}
}