面向生物信号的主体感知对比学习
机器学习
2020-07-10 v1 信号处理
机器学习
摘要
生物信号（如脑电图（EEG）与心电图（ECG））的数据集常具噪声标签且受试者数量有限（<100）。为应对这些挑战，我们提出一种基于对比学习的自监督方法，以在减少依赖标签数据并使用更少受试者的前提下对生物信号建模。在此标签与受试者均有限的机制下，受试者间变异性会对模型性能产生负面影响。因此，我们通过（1）主体特定对比损失，与（2）在自监督学习中促进主体不变性的对抗训练，引入主体感知学习。我们还开发了一些时间序列数据增强技术，以配合生物信号的对比损失使用。我们的方法在公开可用的两类不同生物信号与不同任务数据集上评估：EEG 解码与 ECG 异常检测。使用自监督学习到的嵌入在与完全监督方法相比时产生了具竞争力的分类结果。我们表明主体不变性提升了这些任务的表征质量，并观察到在使用监督标签微调时主体特定损失提升了性能。
引用
@article{arxiv.2007.04871,
title = {Subject-Aware Contrastive Learning for Biosignals},
author = {Joseph Y. Cheng and Hanlin Goh and Kaan Dogrusoz and Oncel Tuzel and Erdrin Azemi},
journal= {arXiv preprint arXiv:2007.04871},
year = {2020}
}