TS-MoCo：用于自监督生理表征学习的时间序列动量对比
机器学习
2023-06-13 v1 人机交互
信号处理
摘要
带标签生理数据的有限可用性常常阻碍强大监督深度学习模型在生物医学机器智能领域的应用。我们着手此问题并提出一种新颖编码框架，其依赖带动量对比的自监督学习，从各生理领域的多变量时间序列中学习表征而无需标签。我们的模型使用transformer架构，可通过优化线性输出分类层轻松适配分类问题。我们使用来自不同领域的两个公开生理数据集实验评估我们的框架，即来自嵌入式惯性传感的人的活动识别以及来自脑电图的情绪识别。我们展示我们的自监督学习方法确实能学习可被用于下游分类任务的判别性特征。我们的工作使得开发能有效分析生理领域多变量时间序列数据的领域无关智能系统成为可能。
引用
@article{arxiv.2306.06522,
title = {TS-MoCo: Time-Series Momentum Contrast for Self-Supervised Physiological Representation Learning},
author = {Philipp Hallgarten and David Bethge and Ozan Özdenizci and Tobias Grosse-Puppendahl and Enkelejda Kasneci},
journal= {arXiv preprint arXiv:2306.06522},
year = {2023}
}
备注
31st European Signal Processing Conference (EUSIPCO)