知识引导的脑电图表征学习

自监督学习在音频、视觉和语音等多媒体领域取得了令人瞩目的成果。由于生物信号场景中标注数据的稀缺性，这一范式对生物信号领域同样适用，甚至更为相关。利用大规模无标注数据学习鲁棒表征的能力，有助于提升生物信号上众多推理任务的性能。鉴于多媒体模态与生物信号之间存在固有的领域差异，既定的自监督学习目标可能难以很好地适用于该领域。因此，存在将此类方法适配于生物信号分析的未竟需求。在本研究中，我们提出了一种针对脑电图（EEG）的自监督模型，该模型通过使用基于状态空间的深度学习架构，提供了鲁棒的性能和显著的参数效率。我们还提出了一种新颖的知识引导预训练目标，该目标考虑了脑电信号的特异性。结果表明，与先前在典型任务上的工作相比，该模型改进了嵌入表征学习和下游性能。此外，所提出的目标显著减少了获得与先前工作相当的性能所需的预训练数据量。