利用自监督学习揭示临床 EEG 信号的结构
机器学习
2020-08-03 v1 机器学习
信号处理
神经元与认知
定量方法
摘要
目的。监督学习范式常受限于可用标注数据的数量。这一现象在临床相关数据（如脑电图 (EEG)）中尤为突出，其标注需要专业知识和人工处理时间，成本高昂。因此，为在 EEG 数据上学习而设计的深度学习架构仅产生了相对浅层的模型，性能至多与传统基于特征的方法相当。然而，在大多数情况下，未标注数据 abundantly 可用。通过从此类未标注数据中提取信息，即便标签有限，也有可能以深度神经网络达到有竞争力的性能。方法。我们研究了自监督学习 (SSL)——一种用于发现未标注数据中有前景的结构的技术——以学习 EEG 信号的表示。具体而言，我们基于时间上下文预测和对比预测编码探索了两项任务，针对两个临床相关问题：基于 EEG 的睡眠分期与病理检测。我们在两个含数千条记录的大型公开数据集上实验，并与纯监督及手工设计方法进行基线比较。主要结果。在标签数据少的情形下，基于 SSL 学习特征训练的线性分类器一致优于纯监督深度神经网络，而在全部标签可用时达到有竞争力性能。此外，各方法学习的嵌入揭示了与生理和临床现象（如年龄效应）相关的清晰潜在结构。意义。我们展示了自监督学习方法在 EEG 数据上的益处。结果表明 SSL 可能为 EEG 数据中深度学习的更广泛应用铺平道路。
引用
@article{arxiv.2007.16104,
title = {Uncovering the structure of clinical EEG signals with self-supervised learning},
author = {Hubert Banville and Omar Chehab and Aapo Hyvärinen and Denis-Alexander Engemann and Alexandre Gramfort},
journal= {arXiv preprint arXiv:2007.16104},
year = {2020}
}
备注
32 pages, 9 figures