SPEED: 用于自监督学习的脑电图数据可扩展预处理
信号处理
2025-05-26 v3 人工智能
摘要
脑电图（EEG）研究通常聚焦于定义明确的任务，但近期研究正扩展到在更大模型中使用无标签数据，以期实现更广泛的应用范围。这解决了EEG研究中的一个关键挑战。例如，Kostas等人（2021）表明自监督学习（SSL）优于传统的监督方法。鉴于EEG数据具有高噪声水平，我们认为通过额外的预处理可以进一步提升性能。现有的预处理方法由于缺乏优化、依赖主观人工校正和验证流程或僵化的协议，往往无法高效处理SSL所需的大规模数据。我们提出了一种基于Python的EEG预处理流水线，专为自监督学习进行了优化，能够高效处理大规模数据。这种优化不仅稳定了自监督训练，还提升了在下游任务上的性能，优于使用原始数据训练的效果。
引用
@article{arxiv.2408.08065,
title = {SPEED: Scalable Preprocessing of EEG Data for Self-Supervised Learning},
author = {Anders Gjølbye and Lina Skerath and William Lehn-Schiøler and Nicolas Langer and Lars Kai Hansen},
journal= {arXiv preprint arXiv:2408.08065},
year = {2025}
}
备注
To appear in proceedings of 2024 IEEE International workshop on Machine Learning for Signal Processing