机构名称：
¥ 1.0
自监督学习已成为自然语言处理和计算机视觉领域的一种高效方法。鉴于从癫痫检测到波形分析等广泛的现实世界医疗应用中存在大量可用的未标记数据，因此它也适用于脑信号，例如脑电图 (EEG) 数据。现有的利用自监督学习进行 EEG 建模的研究主要集中于对单个下游任务对应的每个单独数据集进行预训练，这无法利用丰富数据的力量，并且可能会得出缺乏泛化的次优解决方案。此外，这些方法依赖于端到端模型学习，人类不易理解。在本文中，我们提出了一种新颖的 EEG 基础模型，即 EEGF ORMER，该模型在大型复合 EEG 数据上进行了预训练。预训练模型不仅可以学习 EEG 信号的通用表示并在各种下游任务上具有适应性，还可以提供数据中有用模式的可解释结果。为了验证我们模型的有效性，我们在各种下游任务上对其进行了广泛的评估，并评估了不同迁移设置下的性能。此外，我们展示了学习模型如何表现出可迁移的异常检测性能，并通过自监督学习为获取的模式提供了有价值的可解释性。
EEGFormer：走向可转移和可解释的大型......
主要关键词
相关文件推荐
