面向自动睡眠分期的自监督 EEG 表征学习
信号处理
2023-02-14 v3 人工智能
机器学习
摘要
背景：深度学习模型通过从精心标注的脑电图（EEG）数据中学习，在睡眠医学的自动化任务中取得了巨大成功。然而，如何有效利用大量原始 EEG 仍是一项挑战。目的：本文旨在从海量无标注 EEG 信号中学习鲁棒的向量表示，使得所学向量化特征（1）具有足够的表达能力以在睡眠分期任务中替代原始信号；（2）在标签较少和含噪样本场景下提供优于监督模型的预测性能。方法：我们提出一种名为 ContraWR（Contrast with the World Representation，与世界表征对比）的自监督模型用于 EEG 信号表征学习，该模型利用数据集的全局统计信息来区分与不同睡眠阶段相关的信号。ContraWR 模型在三个包含家庭与实验室 EEG 记录设置的真实世界 EEG 数据集上进行了评估。结果：在 3 个大型 EEG 数据集的睡眠分期任务上，ContraWR 优于 4 种近期自监督学习方法。当可用训练标签较少时（例如，标注数据少于 2% 时准确率提升 4%），ContraWR 也击败了监督学习。此外，该模型在二维投影中提供了信息丰富的代表性特征结构。结论：我们表明 ContraWR 对噪声具有鲁棒性，并能为下游预测任务提供高质量 EEG 表示。所提模型可推广至其他无监督生理信号学习任务。未来方向包括探索任务特定的数据增强，以及基于本文自监督学习的初步成功将自监督与监督方法相结合。
引用
@article{arxiv.2110.15278,
title = {Self-supervised EEG Representation Learning for Automatic Sleep Staging},
author = {Chaoqi Yang and Danica Xiao and M. Brandon Westover and Jimeng Sun},
journal= {arXiv preprint arXiv:2110.15278},
year = {2023}
}
备注
Preprocessing and Code in Github: https://github.com/ycq091044/ContraWR