脑电图自监督学习：系统综述
信号处理
2024-01-12 v1 人工智能
机器学习
摘要
脑电图（EEG）是一种记录生物电信号的非侵入性技术。将监督深度学习技术与EEG信号相结合，近期已促进了多种基于EEG任务的自动分析。然而，EEG信号的标签问题限制了基于EEG的深度模型的发展。获取EEG标注十分困难，需要领域专家指导采集和标注，且不同受试者间EEG信号的变异性会导致显著的标签偏移。为解决上述挑战，自监督学习（SSL）被提出，通过精心设计的前置任务从未标注样本中提取表示。本文聚焦于将SSL框架与时序EEG信号相结合以实现高效表示，并对EEG信号的SSL进行了系统综述。本文中：1）我们介绍了自监督学习的概念、理论及典型SSL框架。2）我们全面综述了用于EEG分析的SSL，包括现有基于EEG的SSL框架的分类、方法和技术细节，并讨论了这些方法之间的差异。3）我们研究了SSL方法在各种下游任务中的适配，包括任务描述和相关基准数据集。4）最后，我们讨论了未来SSL-EEG研究的潜在方向。
引用
@article{arxiv.2401.05446,
title = {Self-supervised Learning for Electroencephalogram: A Systematic Survey},
author = {Weining Weng and Yang Gu and Shuai Guo and Yuan Ma and Zhaohua Yang and Yuchen Liu and Yiqiang Chen},
journal= {arXiv preprint arXiv:2401.05446},
year = {2024}
}
备注
35 pages, 12 figures