基于两两相对位移预训练学习 EEG 信号的相对组成
机器学习
2025-11-18 v1 信号处理
摘要
自监督学习 (SSL) 为从无标签数据中学习脑电图 (EEG) 表示提供了前景，减少了面向睡眠分期和癫痫检测等临床应用的昂贵标注需求。尽管如此，当前的 EEG SSL 方法主要使用掩码重建策略，如掩码自编码器 (MAE)，捕获局部时序模式，而位置预测预训练方法鲜有被探索，尽管其潜力在于学习神经信号中的长程依赖关系。我们引入了 PAirwise Relative Shift 或 PARS 预训练，这是一种新颖的预文本任务，预测随机抽取的 EEG 窗口对之间的相对时间位移。与专注于局部模式恢复的重建方法不同，PARS 鼓励编码器捕捉神经信号中固有的相对时序组成和长程依赖关系。通过在各种 EEG 解码任务上的全面评估，我们证明 PARS 预训练的变换器在标签高效和迁移学习设置下一致优于现有的预训练策略，确立了自监督 EEG 表示学习的新范式。
引用
@article{arxiv.2511.11940,
title = {Learning the relative composition of EEG signals using pairwise relative shift pretraining},
author = {Christopher Sandino and Sayeri Lala and Geeling Chau and Melika Ayoughi and Behrooz Mahasseni and Ellen Zippi and Ali Moin and Erdrin Azemi and Hanlin Goh},
journal= {arXiv preprint arXiv:2511.11940},
year = {2025}
}
备注
Foundation Models for the Brain and Body NeurIPS 2025 Workshop