面向EEG表示学习的整体式半监督方法
机器学习
2022-02-14 v2 计算机视觉与模式识别
摘要
近来，通常需要大量类别标签的监督方法在EEG表示学习中取得了有前景的结果。然而，标注EEG数据是一项具有挑战性的任务。更近以来，仅需少量输出标签的整体式半监督学习方法在计算机视觉领域展现了良好前景。但这些方法尚未被适配于EEG学习。在本文中，我们将三种最先进的整体式半监督方法，即MixMatch、FixMatch和AdaMatch，以及五种经典半监督方法适配于EEG学习。我们在两个公开的基于EEG的情绪识别数据集（即SEED和SEED-IV）上对所有8种方法进行了严谨实验。使用不同数量有限标签样本的实验表明，即使每类仅用1个标签样本，整体式方法也能取得强劲结果。进一步实验表明，在大多数情况下，AdaMatch是最有效的方法，其次为MixMatch和FixMatch。
引用
@article{arxiv.2109.11732,
title = {Holistic Semi-Supervised Approaches for EEG Representation Learning},
author = {Guangyi Zhang and Ali Etemad},
journal= {arXiv preprint arXiv:2109.11732},
year = {2022}
}
备注
Accepted by IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP 2022)