领域引导的脑电数据自监督学习提高了下游分类性能和泛化能力

尼拉杰·瓦格 (Neeraj Wagh)，魏炯浩 (Jionghao Wei)，萨马斯·拉瓦尔 (Samarth Rawal)，布伦特·贝里 (Brent Berry)，兰德·巴纳德 (Leland Barnard)，本杰明·布林克曼 (Benjamin Brinkmann)，格雷戈里·沃雷尔 (Gregory Worrell)，大卫·琼斯 (David Jones)，尤加提桑·瓦拉塔拉贾 (Yogatheesan Varatharajah)
机器学习健康会议论文集，PMLR 158:130-142，2021。

摘要

本文提出了一种领域引导的方法，用于学习头皮脑电图 (EEG) 的表示，而无需依赖专家标注。由于脑电图记录的复杂性和长度，专家标注脑电图已被证明是一个无法扩展的过程，并且审查者之间的协议性较低。因此，需要机器学习 (ML) 方法，这些方法可以在不产生劳动密集型标注成本的情况下利用专家领域知识。自监督学习 (SSL) 在这种情况下显示出潜力，尽管现有的脑电图数据 SSL 工作并未完全利用脑电图领域知识。此外，SSL 模型在多大程度上可以泛化到未见过的任务和数据集尚不清楚。在这里，我们探讨了以领域引导方式获得的 SSL 任务是否可以学习可泛化的脑电图表示。我们的贡献有三个：1) 我们提出了基于大脑活动的空间相似性、潜在的行为状态和年龄相关差异的脑电图新型 SSL 任务；2) 我们提供了证据，表明使用所提出的 SSL 任务预训练的编码器在多个下游分类中表现出强大的预测性能；以及 3) 使用两个大型脑电图数据集，我们表明我们的编码器在下游评估期间可以很好地泛化到多个脑电图数据集。

引用本文

BibTeX
@InProceedings{pmlr-v158-wagh21a, title = {领域引导的脑电数据自监督学习提高了下游分类性能和泛化能力}, author = {Wagh, Neeraj and Wei, Jionghao and Rawal, Samarth and Berry, Brent and Barnard, Leland and Brinkmann, Benjamin and Worrell, Gregory and Jones, David and Varatharajah, Yogatheesan}, booktitle = {机器学习健康会议论文集}, pages = {130--142}, year = {2021}, editor = {Roy, Subhrajit and Pfohl, Stephen and Rocheteau, Emma and Tadesse, Girmaw Abebe and Oala, Luis and Falck, Fabian and Zhou, Yuyin and Shen, Liyue and Zamzmi, Ghada and Mugambi, Purity and Zirikly, Ayah and McDermott, Matthew B. A. and Alsentzer, Emily}, volume = {158}, series = {机器学习研究会议论文集}, month = {04 Dec}, publisher = {PMLR}, pdf = {https://pmlr.com.cn/v158/wagh21a/wagh21a.pdf}, url = {https://pmlr.com.cn/v158/wagh21a.html}, abstract = {本文提出了一种领域引导的方法，用于学习头皮脑电图 (EEG) 的表示，而无需依赖专家标注。专家标注脑电图已被证明是一个无法扩展的过程，并且审查者之间的协议性较低，因为脑电图记录的复杂性和长度。因此，需要机器学习 (ML) 方法，这些方法可以在不产生劳动密集型标注成本的情况下利用专家领域知识。自监督学习 (SSL) 在这种情况下显示出潜力，尽管现有的脑电图数据 SSL 工作并未完全利用脑电图领域知识。此外，SSL 模型在多大程度上可以泛化到未见过的任务和数据集尚不清楚。在这里，我们探讨了以领域引导方式获得的 SSL 任务是否可以学习可泛化的脑电图表示。我们的贡献有三个：1) 我们提出了基于大脑活动的空间相似性、潜在的行为状态和年龄相关差异的脑电图新型 SSL 任务；2) 我们提供了证据，表明使用所提出的 SSL 任务预训练的编码器在多个下游分类中表现出强大的预测性能；以及 3) 使用两个大型脑电图数据集，我们表明我们的编码器在下游评估期间可以很好地泛化到多个脑电图数据集。} }
Endnote
%0 会议论文 %T 领域引导的脑电数据自监督学习提高了下游分类性能和泛化能力 %A Neeraj Wagh %A Jionghao Wei %A Samarth Rawal %A Brent Berry %A Leland Barnard %A Benjamin Brinkmann %A Gregory Worrell %A David Jones %A Yogatheesan Varatharajah %B 机器学习健康会议论文集 %C 机器学习研究会议论文集 %D 2021 %E Subhrajit Roy %E Stephen Pfohl %E Emma Rocheteau %E Girmaw Abebe Tadesse %E Luis Oala %E Fabian Falck %E Yuyin Zhou %E Liyue Shen %E Ghada Zamzmi %E Purity Mugambi %E Ayah Zirikly %E Matthew B. A. McDermott %E Emily Alsentzer %F pmlr-v158-wagh21a %I PMLR %P 130--142 %U https://pmlr.com.cn/v158/wagh21a.html %V 158 %X 本文提出了一种领域引导的方法，用于学习头皮脑电图 (EEG) 的表示，而无需依赖专家标注。专家标注脑电图已被证明是一个无法扩展的过程，并且审查者之间的协议性较低，因为脑电图记录的复杂性和长度。因此，需要机器学习 (ML) 方法，这些方法可以在不产生劳动密集型标注成本的情况下利用专家领域知识。自监督学习 (SSL) 在这种情况下显示出潜力，尽管现有的脑电图数据 SSL 工作并未完全利用脑电图领域知识。此外，SSL 模型在多大程度上可以泛化到未见过的任务和数据集尚不清楚。在这里，我们探讨了以领域引导方式获得的 SSL 任务是否可以学习可泛化的脑电图表示。我们的贡献有三个：1) 我们提出了基于大脑活动的空间相似性、潜在的行为状态和年龄相关差异的脑电图新型 SSL 任务；2) 我们提供了证据，表明使用所提出的 SSL 任务预训练的编码器在多个下游分类中表现出强大的预测性能；以及 3) 使用两个大型脑电图数据集，我们表明我们的编码器在下游评估期间可以很好地泛化到多个脑电图数据集。
APA
瓦格，N.，魏，J.，拉瓦尔，S.，贝里，B.，巴纳德，L.，布林克曼，B.，沃雷尔，G.，琼斯，D. & 瓦拉塔拉贾，Y. (2021)。领域引导的脑电数据自监督学习提高了下游分类性能和泛化能力。机器学习健康会议论文集，发表于机器学习研究会议论文集 158:130-142。可从 https://pmlr.com.cn/v158/wagh21a.html 获取。

相关材料