机构名称：
¥ 1.0
摘要。目前标记的脑电图 (EEG) 记录很少，并且不同的数据集通常具有不兼容的设置（例如，各种采样率、通道数、事件长度等）。这些问题阻碍了机器学习从业者训练通用 EEG 模型，这些模型可以通过迁移学习重新用于特定的 EEG 分类任务。我们提出了一种具有空间金字塔池化层的深度卷积神经网络架构，该架构能够接收不同维度的 EEG 信号并将其特征提取为固定大小的向量。该模型在大型未标记数据集上使用对比自监督学习任务进行训练。我们引入了一组 EEG 信号增强技术来生成大量样本对来训练特征提取器。然后我们将训练好的特征提取器迁移到新的下游任务。实验结果 1
SPP-EEGNET：一种用于跨数据集迁移学习的输入无关自监督 EEG 表征模型
主要关键词
相关文件推荐
