基于图卷积变分自编码器的脑电信号被试表征学习
信号处理
2025-01-29 v1 机器学习
摘要
我们提出 GC-VASE，一种基于图卷积的变分自编码器，利用对比学习从脑电（EEG）数据中进行被试表征学习。该方法采用针对被试识别任务设计的分裂潜空间架构，成功学习到鲁棒的被试专属潜表示。为了在不进行大量重训练的情况下提升模型对未见被试的适应性，我们引入了一种基于注意力的适配器网络进行微调，从而降低了将模型适配到新被试的计算成本。我们的方法显著优于其他深度学习方法，在 ERP-Core 数据集上取得了 89.81% 的被试平衡准确率，在 SleepEDFx-20 数据集上取得了 70.85% 的被试平衡准确率，达到了当前最优水平（SOTA）。在使用适配器和注意力层进行被试自适应微调后，GC-VASE 在 ERP-Core 上的被试平衡准确率进一步提升至 90.31%。此外，我们进行了详细的消融研究，以突出我们方法中关键组件的影响。
引用
@article{arxiv.2501.16626,
title = {Subject Representation Learning from EEG using Graph Convolutional Variational Autoencoders},
author = {Aditya Mishra and Ahnaf Mozib Samin and Ali Etemad and Javad Hashemi},
journal= {arXiv preprint arXiv:2501.16626},
year = {2025}
}
备注
Accepted to 2025 International Conference on Acoustics, Speech, and Signal Processing (ICASSP 2025)