MAEEG：用于EEG表征学习的掩码自编码器
信号处理
2022-11-07 v1 机器学习
摘要
由于数据集小且难以获取标签，使用机器学习从EEG等生物信号中解码信息一直是一项挑战。我们提出一种基于重建的自监督学习模型，即用于EEG的掩码自编码器(MAEEG)，其通过学会利用Transformer架构重建被掩码的EEG特征来学习EEG表征。我们发现，在仅给定少量标签时，MAEEG能学习到显著提升睡眠阶段分类(约5%准确率提升)的表征。我们还发现，输入样本长度以及基于重建的自监督学习预训练期间不同的掩码方式对下游模型性能有巨大影响。具体而言，学习重建更大比例且更集中的掩码信号可在睡眠分类上获得更好性能。我们的发现为基于重建的自监督学习如何助力EEG表征学习提供了见解。
引用
@article{arxiv.2211.02625,
title = {MAEEG: Masked Auto-encoder for EEG Representation Learning},
author = {Hsiang-Yun Sherry Chien and Hanlin Goh and Christopher M. Sandino and Joseph Y. Cheng},
journal= {arXiv preprint arXiv:2211.02625},
year = {2022}
}
备注
10 pages, 5 figures, accepted by Workshop on Learning from Time Series for Health, NeurIPS2022 as poster presentation