基于 EEG 的睡眠分期的自监督对比学习
机器学习
2021-09-17 v1
摘要
EEG 信号通常易于获取但标注成本高昂。尽管监督学习已在 EEG 信号分析领域被广泛使用，其泛化性能受限于标注数据的数量。自监督学习 (SSL) 作为计算机视觉 (CV) 与自然语言处理 (NLP) 中流行的学习范式，可利用无标签数据弥补监督学习的数据短缺。本文中，我们提出一种用于睡眠阶段分类的 EEG 信号自监督对比学习方法。在训练过程中，我们为网络设置一个前置任务，以匹配由 EEG 信号生成的正确变换对。借此，网络通过学习 EEG 信号的一般特征提升了表征能力。网络在处理多样数据时的鲁棒性也得以改善，即从变化的数据中提取恒定特征。具体而言，网络性能取决于变换的选择以及自监督学习训练过程中所用无标签数据的数量。在 Sleep-edf 数据集上的实证评估表明，我们的方法在睡眠分期上具竞争性能（准确率 88.16%，F1 分数 81.96%），并验证了在有限标注数据情形下 SSL 策略对 EEG 信号分析的有效性。所有代码已公开提供。
引用
@article{arxiv.2109.07839,
title = {Self-supervised Contrastive Learning for EEG-based Sleep Staging},
author = {Xue Jiang and Jianhui Zhao and Bo Du and Zhiyong Yuan},
journal= {arXiv preprint arXiv:2109.07839},
year = {2021}
}
备注
IJCNN 2021