RL-BioAug：用于自监督脑电表征学习的标签高效强化学习
机器学习
2026-01-22 v2 人工智能
摘要
数据增强的质量是决定脑电图（EEG）任务中对比学习性能的关键因素。尽管这种范式在利用无标签数据方面很有前景，但由于EEG信号的非平稳性（其统计特性随时间变化），静态或随机的增强策略往往无法保留内在信息。为了解决这个问题，我们提出了RL-BioAug，这是一个利用标签高效的强化学习（RL）智能体来自主确定最优增强策略的框架。我们的方法仅使用极小部分（10%）的标注数据来指导智能体的策略，同时使编码器能够以严格自监督的方式学习鲁棒的表征。实验结果表明，RL-BioAug显著优于随机选择策略，在Sleep-EDFX和CHB-MIT数据集上的宏F1分数分别取得了9.69%和8.80%的显著提升。值得注意的是，该智能体主要为每个任务选择了最优策略——例如，对于睡眠阶段分类，以62%的概率选择时间掩码；对于癫痫检测，以77%的概率选择裁剪与缩放。我们的框架表明其有潜力取代传统的基于启发式的增强方法，并建立一种新的自主数据增强范式。源代码见https://github.com/dlcjfgmlnasa/RL-BioAug。
引用
@article{arxiv.2601.13964,
title = {RL-BioAug: Label-Efficient Reinforcement Learning for Self-Supervised EEG Representation Learning},
author = {Cheol-Hui Lee and Hwa-Yeon Lee and Dong-Joo Kim},
journal= {arXiv preprint arXiv:2601.13964},
year = {2026}
}