机构名称：
¥ 1.0
脑信号是理解人脑生理活动和疾病的重要定量数据。同时，快速发展的深度学习方法为更好地建模脑信号提供了广泛的机会，近年来吸引了大量研究投入。现有研究大多关注监督学习方法，但该方法需要高成本的临床标签。此外，侵入性（如SEEG）和非侵入性（如EEG）方法测得的脑信号的临床模式差异巨大，导致缺乏统一的方法。为了处理上述问题，本文提出研究脑信号的自监督学习（SSL）框架，可应用于预训练SEEG或EEG数据。直观地看，脑信号是由神经元放电产生的，会在人脑不同的连接结构之间传输。受此启发，我们提出MBrain来学习不同通道（即电极触点，对应不同的脑区）之间隐含的空间和时间相关性，作为统一建模不同类型脑信号的基石。具体来说，我们用一个图结构来表示空间相关性，该图结构是基于提出的多通道 CPC 构建的。我们从理论上证明优化多通道 CPC 的目标可以得到更好的预测表示，并在此基础上应用瞬时时间移位预测任务。然后，我们通过设计延迟时间移位预测任务来捕捉时间相关性。最后，提出替代判别学习任务来保留每个通道的特征。在 EEG 和 SEEG 大规模真实数据集上进行的大量癫痫检测实验表明，我们的模型优于几种最先进的时间序列 SSL 和无监督模型，并且有能力部署到临床实践中。
MBrain：一种用于脑信号的多通道自监督学习框架
主要关键词
相关文件推荐
